学会通过优化和机器学习做出更好的决策
随着互联网带来的数据爆炸式增长, 云存储, 以及物联网(IOT), 不仅需要能够解析大量数据的决策过程, 还要根据这些数据提出建议.
计算决策科学有助于满足这种需求. 不同于处理决策行为方面的程序, 计算决策科学允许您分析大量数据，同时帮助组织使用算法做出更好的决策, 机器学习, 以及解释数据的优化技术.
举几个例子:
- AT&T使用优化技术来规划其高速网络. 高速网络的优化设计包括采集流量数据, 然后利用网络的特点来制定优化问题. AT面临的挑战&T是程序中变量的个数.
- 通用电气已经使用优化来改进具有多个数据点和时间表约束的列车调度.
- UPS使用路线优化来降低包裹递送的成本，同时通过学习路线数据来提高结果的准确性.
- 加州 医院 Chain使用机器学习技术和规范分析来减少患者再次入院.
如下图所示(图1), 计算决策科学使用数学技术, 计算机科学, 和业务. 业务和组织领域提供了动机和问题, 典型的问题包括供应链和物流. 解决这些问题需要数学建模和统计学. 更重要的是添加了复杂算法和优化的应用, 以及数据挖掘和机器学习技术来开发智能, e.g.、商业智能.
解析序列
优化决策的道路涉及分析的三个阶段:描述性, 预测, 以及规范分析.
的 计算决策科学与运筹学(CDSOR)计划 帮助您识别未来趋势，从而确定最佳决策, 行动, 或结果. 这与 描述性分析, 哪些有助于分析历史数据，以便使用数据整理工具识别模式, 统计数据, 数据挖掘. 描述性分析的结果通常提供 预测分析, 这有助于预测未来的趋势和事件的可能性, 并使用机器学习和统计学习的工具来确定数据中的关系. 利用数据来确定最佳行动方案通常被称为 规范的分析. 决策科学中从简单方法到复杂方法的转换如图2所示.
从2014年的角度来看，新兴的规范分析领域将在未来几年内占据中心位置 Gartner的报告. 信息的数字化和当前的物联网革命将产生大量的数据，这些数据必须经过分析才能做出决策. 然而，正如2010年IBM/麻省理工学院斯隆管理学院所强调的那样 报告, 数据收集和争论只是决策过程的开始.
如上所述，帮助决策的方法正变得越来越重要.
计算决策科学为规范科学提供了基础.
典型的规定性分析利用来自多个技术领域的技术, 包括统计学的基本技术, 算法设计, 数学建模, 以及优化理论和技术, 以及包括机器学习在内的应用程序, AI, 数据挖掘.
CDSOR将训练你在决策过程的计算和数学发现, 并且能够将在CDSOR中学到的技术应用于多个行业.
桑吉夫•卡普尔
计算决策科学与运筹学项目主任
计算机科学教授