决策力

摘要： 管理学大师彼得·德鲁克说,领导力就是把一个人的视野提到更高的境界,把一个人的成就提到更高的标准,锤炼其人格,使之超越通常的局限。然后才能把一个人的潜力、持续的创新动力开发出来,让他做出他自己以前想都不敢想的那种成就。对于领导力的探究与学习,在学校教育领域整体而言是不够的。但我们知道,它又是关乎学校当下与未来的发展空间,以及每一项学校管理事务、教育教学工作成败的关键问题。领导力在更大意义上是一组从实践中生长的领导者素养,无论学习力、决策力、感召力、组织力、行动力、执行力的提升,还是领导者必备的多样态人格素养的养成,最根本所需要的,不是知识,而是个人的实践性经历和手把手的教练式传承。

摘要： 今天的养猪业,真正进入了重资产、高投入、高风险的时代。在这样一个时代,决策力、系统力、纠偏力成为改不了、夺不走、丢不掉的东西。这就是当下一个企业的基本盘。1行业的阶段有些事情,把它放在更高的高度,用更长的时间来看,就更容易看得清了。就如我们把时代分为农耕时代、工业时代、信息时代、互联网时代、产业互联网时代一样,瞬间就能感知到这一时代的特征。

摘要： 在初中英语的学习过程中,教师运用恰当的方法能够帮助学生有效学习英语中的相关知识,从而提高教师的教学质量,实现对初中年龄阶段的学生高质量的教学。高阶思维是学生在学习过程中必须具备的思维能力之一。高阶思维需要教师不断培养学生的思维能力,让学生在学习英语的过程中发现构建思维的魅力,从而实现思维能力的有效提升。高阶思维是高阶能力的核心,主要指创新能力、问题求解能力、决策力、自主学习能力、自我控制力和批判性思维能力。

摘要： 高阶思维是一种以高层次认知水平为主的心智活动,是高阶能力的核心,主要指创新能力、问题解决能力、决策力和批判性思维能力。将问题串应用于小学科学课堂探究活动,会使学生逐渐形成科学的思维方式和能力,从而促进学习者高阶思维的形成和发展。

摘要： 高阶思维是指发生在较高水平上的心智活动或认知能力。它在教学目标分类中表现为分析、综合、评价和创造。高阶思维是高阶能力的核心,主要指创新能力、问题求解能力、决策力和批判性思维能力。阅读提问的目的是学生带着问题去阅读,在问题的引领下读中悟情、读中悟法、读中悟道,有效提高学生的阅读能力。无论是教师给予的问题,还是学生提出的问题都是由阅读中发现。

摘要： 沟通是人们传递信息、交流思想的重要手段和途径。作为领导者,必须要有良好的沟通技巧,提高自己的沟通艺术。这是工作顺利推进、事业成功的重要保障。美国普林斯顿大学对一万份人事档案进行分析后发现:智慧、专业技术和经验只占成功因素的25%,其余75%决定于良好的人际沟通。同样,领导者的决策力不好,其中最大的问题也来自沟通。

摘要： 近年来,建设银行全面践行金融科技战略,统筹规划和持续投入智能运维体系建设,打造了以感知力、控制力、决策力为基础,具备安全管控、高效交付、快速响应、标准运营四大能力的企业级数字化运维应用,引起业界广泛关注。基于国家关于“急用先行、成熟先上”以及“产学研用联合”的标准制定机制,全国信息技术标准化技术委员会信息技术服务分技术委员会邀请建设银行牵头开展智能运维标准建设,随即成立了由社会各界50余家单位的100多名专家组成的智能运维标准工作组。

摘要： 在垦区集团化、农场企业化改革进程中,面对新形势、新任务,北大荒集团八五六农场有限公司始终坚持党的全面领导,以党的理论优势提升企业决策力,以党的组织优势提升企业执行力,以党的群众优势提升企业凝聚力,有效推动了党的三大优势转化为企业的竞争优势,为企业做强做优提供了坚强保证。

摘要： 高阶思维是由低阶思维发展起来的,也是培养学生综合素质的重要内容。阅读教学在培养学生的高阶思维方面有一定的优势,是学生高阶思维发展的重要载体。在教学中,教师应借助有效的手段,加强引导,重视发展学生的高阶思维。一、高阶思维的概念高阶思维是指发生在较高认知水平层次上的心智活动或认知能力,包括创新能力、解决问题的能力、决策力、批判性思维能力。

摘要： 思维能力是学生学习过程中的重要能力,尤其体现在英语学习中。英语教师通过这些内容来调整和控制课堂教学,按照思维规律训练学生的思维,从而确立完整的知识结构,培养思维品质。而高阶思维发生在较高认知水平层次上的心智活动或认知能力,在教学目标分类中主要表现为分析、综合、评价和创造,其能力主要是创新能力、问题求解能力、决策力和逻辑性思维能力。在小学英语教学中,通过思维导图,让学生在作业中加强对知识的理解,深刻理解不同单词和句子之间的联系,可以加深英语知识的学习强度,提高学生的高阶思维能力。

摘要： 本发明公开了一种基于决策树与共同注意力协作的假新闻检测系统及方法，本发明从一个新角度，提供了一种传统透明的机器学习与神经网络模型相结合的方法，提出了一种基于决策树与共同注意力协作的可解释性假新闻检测方法，来透明地捕获有力的细粒度证据并通过这些证据来发掘假新闻的虚假部分。本发明不仅提高了假新闻检测性能，还提供了检测过程的透明性以及检测结果的可解释性。本发明为假新闻检测任务提出了一种透明的、可解释的方案，该方案将决策树模型合并到共同注意网络中，不仅可以提供可解释索赔验证的证据，同时通过判决条件对证据形成过程进行了解释。本发明具有可拆解性，可将本发明的两个模块解耦训练利用，具有模型泛化能力和任务阶段性训练能力。

摘要： 一种融合集成决策树与层次注意力机制的可解释网络攻击检测方法，所述方法包括以下步骤：1)解释项抽取：采用集成决策树模型从原始网络流量数据中抽取并构造解释项；2)解释项加权：采用层次注意力机制学习在不同场景下解释项的权重参数；3)实时检测和解释：采用训练好的模型对实时样本进行攻击检测和解释。本发明提供了一种融合集成决策树与层次注意力机制的可解释网络攻击检测方法，融合决策树模型与注意力模型，使得检测模型能够同时具备较强的泛化能力和较好的可解释性；通过集成决策树模型抽取特征组合作为解释项，相比于现有的直接采用特征作为解释项的方法，具有更好的可解释性。

摘要： 一种以个人情绪为基础的认知助理系统，其包括可由用户穿戴成头戴式耳机的一个或多个组件；收集该用户的情绪状态的一个或多个传感器；根据收集得的情绪状态，来识别环境对该用户的个人意义的处理器；及根据辨识得的个人意义，而将带有有关该环境的资料的经识别的个人化意义，储存于内存储器的不同区中的内存储器。

摘要： 本申请发明提供了一种基于近似粗糙集分辨力分类决策算法。所述方法包括：利用粗糙集近似度判断属性划分样本数据能力，将样本属性隶属函数值大于设定近似度的样本占比作为该属性概率，并将其代入到决策分辨力算法中，以决策分辨力最大的属性作为分裂特征建立分类决策树，测试样本在分类决策树中获得的叶节点即为分类决策结果。本申请方法能够在提高样本分类决策准确率的基础上，提高分类决策时间效率和树形复杂度。

摘要： 本发明涉及一种基于网格搜索和决策树的发电机组市场力动态评价方法，1)采集竞价机组数据；2)基于采集的各种数据和电力市场力风险监测指标体系，计算机组指标值，形成描述机组市场行为特征的指标值向量，利用专家系统对集合中的机组类别进行标注，构建竞价机组市场力特征数据集；3)通过网格搜索和交叉验证算法寻找机组市场力评价模型的最优参数，根据最优参数创建机组市场力评价决策树；4)在下一出清时段通过所构建决策树评价模型对机组市场力行使情况进行评价，形成新的竞价机组市场力特征数据库，用以修正机组市场力评价模型。与现有技术相比，本发明具有简化评价流程、提高识别准确度等优点。

摘要： 本发明涉及产能预判领域，特别是涉及在生产力恢复阶段的产能预判领域，更为具体的说是涉及一种在生产力恢复阶段制定采购策略的辅助决策方法，以修正后的基础用电量作为评价基准，通过产能水位高低指数以及产能累计恢复指数多维度交叉对比分析，从而有效判断供应商产能恢复能力，对采购策略决策提供依据，同时当订单签订后，进一步通过产能涨跌速度指数预判相关供应商的生产交付风险，当预警发生时，及时调整采购策略，降低供应商产能不足对电网建设的影响。在生产力恢复阶段通过在全流程对供应商的产能恢复精准预判，从而降低交付风险，保证电网建设有效实施。

摘要： 本发明公开了一种基于注意力机制的兵棋推演AI分层决策方法及装置，包括进行分层网络建模与强化学习智能体建模，获取到态势推演初始数据进行预处理；获通过智能体局部观察数据，输出当前所有智能体的总体目标；通过智能体局部观察数据和当前所有智能体的总体目标，输出当前所有智能体的当前应采取的决策；通过当前所有智能体的总体目标，筛选并预处理得到此刻的目标态势；利用注意力机制筛选出与目标态势关联最大的智能体局部信息，并进行态势评估；将当前所有智能体的当前应采取的决策输入到兵棋推演环境中，得到更新之后的新态势，通过所述新旧态势之间的差别计算奖励并训练网络，本发明能够有效的解决兵棋推演环境的动态性问题以及稀疏奖励问题，使AI能够实现自主决策，对不同的想定具有一定的适应能力与较高的胜率。

摘要： 本发明公开了一种用稀疏化注意力辅助决策的嵌入式多智能体强化学习方法，属于强化学习技术领域。初始化多智能体的效用函数网络参数、混合网络参数和目标混合网络参数；获取每一个智能体的自注意力输出和稀疏化注意力输出；使用门控循环单元模块编码当前观测输出，计算本地常规效用函数和本地稀疏效用函数，分别输入到混合网络中，各自拟合得到常规全局价值函数和稀疏全局价值函数，逐渐降低常规全局价值函数的权重，完成强化学习的训练。在决策推理阶段，各个智能体根据本地观测和自身效用函数来选择动作输出给环境，从而与环境进行交互。本发明可以嵌入到任何基于价值函数的MARL框架中，提升智能体决策的效率和精度。

摘要： 本发明公开一种融合拓展决策和注意力网络的行为动态识别方法。远端服务器接收到本地设备传输的数据，利用MultiAtt深度融合注意网络进行人体行为识别；本地设备将上述预处理后的数据进行动态任务调度；利用MultiAtt深度融合注意网络反馈的贡献分值向量为XGBoost拓展决策网络的输入通道数据进行阈值筛选，并对本地设备数据使用XGBoost拓展决策树算法进行行为识别。本方法在服务器端执行MultiAtt深度融合注意网络，与本地设备端的XGBoost拓展决策网络通过人体识别任务动态调度算法进行结合，以实现在不同场景下自适应动态感知人体行为。

摘要： 本发明公开了一种多视角注意力机制端到端自动驾驶行为决策方法，属于自动驾驶技术领域。该方法基于多摄像头获取的视频流信息，得到各视角的多时刻场景图像；将其分别降维后得到各视角特征，通过多视角注意力网络模块提取出各视角特征融合了其它视角不同事物的权重信息，再将该权重信息作用回原输入，得到各视角的融合特征；再分别经过池化处理后输入长短时记忆网络，获取各视角的时序特征；最后结合实时导航信息，预测车辆的转角控制量和速度控制量，作为最终的决策信息。本发明基于多视角注意力，综合各个视觉传感器提取车身周围目标位置信息和时间信息，使得预测过程更能观察到车身周围应注意信息，从而使预测结果更加准确。