what if分析的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

圖解作業研究 (附光碟)(2版)

為了解決what if分析的問題，作者趙元和,趙英宏,趙敏希 這樣論述：

　　#一單元一概念，迅速掌握作業研究的精華與內涵。 　　#以「規劃求解」增益集為工具，解說各類作業研究問題，並以試算表求解。 　　#圖文並茂．容易理解．快速吸收。 　　隨書附贈「作業研究輔助軟體」光碟，內容為EXCEL增益集，適合安裝於EXCEL2010以上版本。 　　作業研究所欲解決的問題都十分生活化，但常因繁複的演算法則，而無法求得最佳解。如能分析問題的本質，並使用正確迅速的方法求解，便能將作業研究的功用極致發揮。 　　作業研究為商學、工程、社會、醫學相關系所必選修科目之一。希望在本書的協助之下，讓學習更快速正確。所附「作業研究軟體」僅就多準則決策規劃、計畫評核術

與要徑法的線性規劃，提供更方便的求解過程。  

what if分析進入發燒排行的影片

應用工作安全分析於鋼材的CO2電銲作業危害

為了解決what if分析的問題，作者魏育妘 這樣論述：

銲接是一般日常與工業不可或缺的一種專業技術，銲接可在多種環境下進行作業，已廣為各行各業所應用，如：船舶、橋樑、建築結構等金屬構件之連接、修補。但因其作業具有潛在的危害，包括：燒燙傷、感電、中毒、墜落、物體飛落、火災等，因此在銲接作業過程中，應避免職業災害發生，以確保生命安全。工作安全分析 (Job Safety Anaiysis﹐JSA) 是一種有助於將安全與健康規範整合到特定作業或工作操作的程序中。 JSA 可辨識出每一個作業步驟的潛在危害，本研究以鋼材CO2電銲作業為例，應用工作安全分析 (Job Safety Anaiysis﹐JSA)﹐進行危害辨識。研究結果顯示：物體飛落5件(16.

7％)、墜落5件(16.7％)、感電4件(13.3％)、火災3件(10%)、燒燙傷2件(6.6%)、輻射熱2件(6.6%)、中毒2件(6.6%)、跌倒2件(6.6%)、異物入眼2件(6.6%)、人因傷害2件(6.6%)、被撞1件(3.3%)等11種危害類型，可能危害計有30件，以上是CO2電銲作業中最常見、最可能發生之危害類型。經風險評估分析結果，得出CO2電銲作業可能危害有30件。其中，不可接受之高度風險等級 B者有5件，暫可接受之中度風險等級 C者有9件，可接受之低度風險及幾無風險等級 D、E 者有16件。最後據以建立安全作業標準 (Safety Operation Procedure﹐S

OP)，供事業單位及從事銲接工程承包公司之安全教育訓練使用參考。

增強型分析：AI驅動的數據分析、業務決策與案例實踐

為了解決what if分析的問題，作者彭鴻濤 這樣論述：

增強型分析是資料科學的未來，本書講解了如何通過前沿的大資料技術和AI技術實現智慧的資料分析和業務決策，即增強型分析。   本書的三位作者是來自德勤、前華為和前IBM的資深資料科學家，在大資料和AI領域至少都有10年以上的工作經驗，他們將各自多年來在“構建資料採擷模型，解決實際業務問題”方面積累的經驗全部總結在了這本書中。   全書的內容由兩條主線貫穿： 技術主線：一方面講解了預測模型、序列分析、預測分析、Prescriptive分析等前沿資料處理技術，一方面講解了CNN、RNN和GNN等前沿的AI技術如何為資料分析賦能。   業務主線：在數位化轉型的大時代背景下，如何通過資料分析實現智慧行銷、

智慧風險管控，實現由初級的“主動行銷”到“被動行銷”，再到“全管道協同行銷”等行銷手段的升級應用。   本書的重點聚焦在本質內容上，即資料處理、演算法及模型、“模型洞見到業務決策”的分析等。   全書共8章：   第1章：作者結合自己的從業經驗介紹了資料科學家的職業生涯發展、工作模式和工作方法要點等內容，為有志成為資料科學家的讀者指明了道路和方向；   第2章：從描述性分析的角度講解了資料探索、資料預處理衍生指標加工方面的技巧；   第3章：介紹了預測類模型構建時的新方法、新思路、新工具；   第4章：講解了序列分析的相關內容，包括序列模式、序列規則、序列預測等的挖掘與應用，用實例的方式說明瞭

演算法的原理、特點和使用技巧；   第5章：介紹了人工智慧下一個階段的重點領域，即如何應用資料分析做出優決策；   第6~8章：通過與傳統模型的對比，介紹了CNN、RNN、GNN等演算法的原理，通過大量的實例說明瞭這些AI技術在資料分析與決策領域的用法和實際效果。   彭鴻濤 德勤企業諮詢總監兼首席資料科學家，德勤全球AI團隊核心成員，德勤數位化轉型、智慧行銷、智慧風控、客戶體驗等核心諮詢服務方案的資深顧問。   2008年加入SPSS並與跨國家團隊一起進行Analytical Decision Management決策自動化工具的開發，與國內外團隊一起構建了SPSS在不同

應用領域的解決方案，其中某些方案現已成長為IBM的知名解決方案；2014年加入IBM GBSC部門，領導資料分析團隊，針對不同客戶設計和實施資料分析的方案；2016年加入IBM GBS GBS Cognitive Business Decision Support擔任CTO和首席資料科學家，領導團隊開發實施了有一定行業影響力的人工智慧應用；2017年加入德勤企業諮詢擔任金融服務總監及首席資料科學家，領導團隊開拓數位化轉型背景下的新型諮詢服務方案，期間高品質交付大型銀行的數位化轉型及實施相關專案並得到客戶高度認可。   張宗耀 上海全應科技有限公司資深資料科學家，前華為企業智慧部門資深資料科學家

，前IBM SPSS 演算法元件團隊資深演算法工程師。   2009年加入IBM SPSS演算法元件團隊，負責Statistic和Modeler產品的升級和維護；2012年開始大資料演算法元件的設計和開發，為分散式分析引擎提供了核心計算單元，主導完成開發了分散式平臺下的廣義線性模型、自動建模演算法、ADMM優化演算法等，打造了分析引擎平臺以及SPSS Modeler產品的具競爭力演算法模組；2015年開始投入Spark分散式框架的演算法設計和開發，主導完成開發了生存分析演算法、時間序列相關演算法等，豐富了SPSS產品的核心演算法元件。2016年加入華為，先後就職于華為的資料採擷團隊，以及企業智

慧部門的機器學習服務團隊和工業解決方案團隊，負責演算法、機器學習、即時預測、資料分析，以及行業解決方案的設計、開發和部署相關的工作。   聶磊 陝西萬禾數位科技有限公司CTO，前IBM SPSS 資深資料科學家，前IBM Watson Analytics資料分析引擎技術主管及架構師。   2008 年加入IBM Analytical Decision Management團隊，主導開發了業務規則引擎和基於優化技術的預測性維護解決方案；2014年加入IBM Watson Analytics團隊，擔任技術主管兼架構師，主導了IBM Watson Analytics資料分析引擎基於Spark技術的轉

換，極大提高了平臺的計算能力；2017年擔任IBM Cognos Analytics團隊架構師，主持了自動化技術的引入。   推薦序一 推薦序二 前言 第1章　資料科學家的成長之路 1 1.1 演算法與資料科學家 1 1.1.1 資料科學、人工智慧、機器學習等 2 1.1.2 室內活動還是室外活動 3 1.2 資料科學家不斷成長的幾個階段 3 1.2.1 演算法——如何構建資料分析模型 5 1.2.2 用法——如何回頭看模型 6 1.2.3 業務——如何產生更大價值 7 1.2.4 戰略——如何更廣 8 1.3 資料科學家的工作模式與組織結構 9 1.3.1 資料驅動還是

業務驅動 9 1.3.2 資料科學家團隊的組織結構 9 1.4 資料科學家的工作方法要點 10 第2章　大資料探索及預處理 13 2.1 大資料探索 13 2.1.1 數數值型別 13 2.1.2 連續型資料的探索 14 2.1.3 分類型資料的探索 19 2.1.4 示例：資料探索 20 2.2 數據預處理 26 2.2.1 數據清洗 26 2.2.2 數據變換 29 2.2.3 數據歸約 41 2.3 衍生指標的加工 44 2.3.1 衍生指標概述 45 2.3.2 將數值轉化為百分位數 45 2.3.3 把類別變數替換為數值 46 2.3.4 多變數組合 47 2.3.5 從時間序列中

提取特徵 47 第3章　預測模型的新技術 49 3.1 集成學習 49 3.1.1 Averaging方法 49 3.1.2 Boosting方法 51 3.2 Gradient Tree Boosting介紹 53 3.2.1 梯度與梯度下降 53 3.2.2 Gradient Tree Boosting演算法的原理 55 3.3 Gradient Tree Boosting的改進方向 57 3.3.1 Gradient Tree Boosting的使用要點 57 3.3.2 Regularization 59 3.3.3 XGBoost介紹 60 3.4 模型的最佳參數設置 60 3.5

投票決定最終預測結果 65 3.6 讓模型在訓練結束後還能被更新 66 3.6.1 暖開機 67 3.6.2 增量學習 67 3.7 多輸出預測 68 3.7.1 Binary Relevance 69 3.7.2 Classifier Chain 70 3.7.3 Ensemble Classifier Chain 70 3.8 案例：如何給客戶從數百個產品中尋找合適的產品 71 3.8.1 問題提出 72 3.8.2 建模思路 72 3.8.3 模型訓練及應用 73 第4章　序列分析 76 4.1 通過客戶行為研究做出服務策略 76 4.2 頻繁項集、關聯規則的挖掘 77 4.2.1

基本概念 77 4.2.2 頻繁或稀疏項集的挖掘 78 4.2.3 關聯規則的挖掘 86 4.3 序列模式的挖掘以及應用 88 4.3.1 換種視角觀察項間的順序 88 4.3.2 “事無巨細”還是“事有巨細” 89 4.3.3 序列挖掘的相關演算法介紹 92 4.3.4 示例：挖掘購買物品的序列模式 96 4.4 序列規則的挖掘以及應用 101 4.4.1 將頻繁序列通過業務解讀轉換為行動指南 101 4.4.2 序列規則的挖掘實現行動指南 102 4.4.3 序列規則的挖掘演算法 102 4.4.4 示例：通過客戶購買產品的序列推薦合適的產品 104 4.5 序列預測的挖掘以及應用 107

4.5.1 序列規則與序列預測的關係 107 4.5.2 序列預測演算法的介紹 108 4.5.3 示例：客戶下一步會做什麼 110 第5章　應用資料分析做出最優決策 114 5.1 Prescriptive分析概述 114 5.1.1 業務分析的3個層次 115 5.1.2 為什麼需要Prescriptive分析 116 5.1.3 什麼時候需要Prescriptive分析 117 5.2 確定因素和非確定因素下的決策分析 118 5.3 What-If分析和Goal Seeking分析 121 5.4 優化技術介紹 122 5.4.1 資料採擷演算法中常用的優化技術 122 5.4.2

優化問題求解工具介紹 127 5.4.3 CVXPY優化工具在機器學習演算法中的應用 130 5.4.4 應用優化技術尋找最優產品推薦 134 5.5 模擬分析 135 5.5.1 蒙特卡洛的介紹 135 5.5.2 採用蒙特卡洛方法進行重採樣 137 5.6 瑪律可夫鏈及瑪律可夫決策過程 143 5.6.1 瑪律可夫過程及瑪律可夫鏈 145 5.6.2 瑪律可夫決策過程及應用工具 148 5.6.3 應用瑪律可夫決策過程研究行銷策略及客戶生命週期價值 151 第6章　深入探討CNN 155 6.1 換個角度討論CNN 155 6.1.1 卷積是在做什麼 156 6.1.2 人臉檢測與人臉

識別 159 6.1.3 深度學習意味著什麼 165 ......  

致災路徑結合What-If方法應用於車輛煞車系統之風險評估

為了解決what if分析的問題，作者沈皇祿 這樣論述：

本論文針對汽車煞車系統以致災路徑為出發點，結合防災四道門的八大區塊觀念，由傳統What-If分析表加以分析。針對複雜之煞車系統，為有效找出所有可能的致災路徑，考慮了串接之煞車硬體關係、煞車油流體因素、人為操作之失誤及外在環境之影響。此外，並納入了流體參數異常，例如：溫度過高、液位過低、汙染、錯誤物質…等傳統上製程系統危害分析所應考慮之參數特性。而防災四道門的八大區塊，由工程面與管理面兩個面向，結合預防、矯正、保護與消減四個措施作防災及改善建議之依據。具體而言，以致災路徑，配合防災四道門結合What-If之分析方式，可以改善傳統上What-If分析鬆散沒有系統之缺點，進而完整找出所有可能之致災

路徑與危害點，且兼具What-If方法傳統上節省時間之優點。 針對煞車系統每一致災路徑，以防災四道門之八大區塊加以審視目前之相關保護或防制措施是否到位，在What-If分析表賦予一個風險等級及提出改善建議。改善建議則從務實角度出發，或建議加裝感測器、或於行車螢幕加警語顯示或語音報警，或從動力源漸進切斷之方式著手…等，期使分析結果務實而有效，也期待此分析結果能對業界在煞車系統之危害防制能有實質上之貢獻。關鍵字：萬一-結果、危害分析、致災路徑、防災四道門、煞車系統