冰冷的城市需要更多的綠手指論文書籍站
businessintelligence的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和整理懶人包
國立高雄科技大學 機電工程系 劉東官所指導 郭合閔的 以 Rapidminer 建構 ARIMA 時間序列預測與使用 B-Band 分析之投資效益比較-以加權股價指數為例 （2021），提出businessintelligence關鍵因素是什麼，來自於時間序列、布林通道、加權股價指數、大數據。
而第二篇論文國立政治大學 資訊管理學系 林怡伶所指導 侯亮宇的 機器學習可解釋技術在商業智慧中對使用者信任之影響 （2020），提出因為有 人機互動、機器學習、資訊視覺化、可解釋性人工智慧、信任的重點而找出了 businessintelligence的解答。
除了businessintelligence，大家也想知道這些：
businessintelligence進入發燒排行的影片
以 Rapidminer 建構 ARIMA 時間序列預測與使用 B-Band 分析之投資效益比較-以加權股價指數為例
為了解決businessintelligence 的問題，作者郭合閔 這樣論述：
RapidMiner 誕生於德國多特蒙德工業大學，開創於人工智慧部門，無須編程且能高速運算，對於工業生產、製造、銷售等方面跨行業的優勢有: 1.優化能源成本、2.提高產量、3.自動化日常任務、4.優化供應鏈、5.賦予公民數據科學家權力、6.更好地預測需求。台灣股市的產業結構在九零年代時以傳統產業達 60％、金融業 37％為最多而電子製造產業只占2％。現在台灣股市的產業結構電子製造產業已上升到67%，而電子製造產業優化能源成本的需求費常強烈，選擇台灣股市作為研究標的相較於日本股市超過 7 成、香港股市超過 9 成為第三級產業更具代表性。本研究擷取公開資訊加權股價指數選取臺灣證券交易所提供之資料
日期（2019 年 1 月 2 日）作為模擬交易期間之起始日，並以最近資料（2021 年 12 月29 日）作為取樣期間的終止日。並以布林通道線 B-Band 出現做多與做空訊號模擬交易，對比以 RapidMiner 建構之 ARIMA 預測模型模擬交易。結果顯示 ARIMA預測模型獲利狀況優於布林通道線 B-Band 之指標。
機器學習可解釋技術在商業智慧中對使用者信任之影響
為了解決businessintelligence 的問題，作者侯亮宇 這樣論述：
近年來機器學習引發了人工智慧 (Artificial Intelligence, AI) 應用的新趨勢。 AI 被應用於越來越複雜的任務和領域中。然而，大多數 AI 模型都在黑盒(Black box)中運行，導致人們難以理解或是分辨機器的運作以及決策過程。目前，可解 釋性人工智慧(Explainable Artificial Intelligence, XAI)，大多著重於底層演算法的 解釋，並且集中於解釋圖形識別的結果。針對終端使用者的 XAI 應用則較多專 注於支援醫療保健領域的人類決策，少有研究調查商業領域的 AI 應用程序如何 與解釋性技術相結合。本研究以商業應用上終端使用者為中心為
實際業務領域中 運用 AI 技術提出了一個通用的解釋框架。該框架基於商業智慧(Business Intelligence,BI) 所開發，為終端使用者提供在機器學習不同階段的完整解釋。為 了實踐我們的框架，我們在一個航空公司行李重量預測案例上應用了這個解釋性 架構。最後，為衡量該框架實踐後的有效性，我們在 Amazon Mechanical Turk 上 進行了實驗。我們的結果表明，使用解釋性框架的參與者對模型預測更有信心， 並且更信任系統，更願意採用系統提供的建議。我們的研究使企業能夠擴展他們 的商業智能，並結合這個解釋框架的不同階段，以提高機器學習技術在商業應用 中的透明度和可靠性。