简 介
. 本报告所述方法有助于评估小组对战役做出准确、及时的判断，为指挥官提供客观、在统计上具有相关性的近实时结果。无论是情报数据、作战数据，还是环境数据，只要可以通过我们的方法进行分析，都可以为理解战役的作用提供不同的视角。在可以提供评估数据（如民意调查）的军事行动中，新的数据来源有助于评估小组对调查结果进行多角度的分析，从而增强评估的可靠性。机器学习工具对数据有限或缺乏评估数据的战役尤为有用。对于资源有限或拒止区域的战役来说，这种数据有限或缺乏评估数据的情况极为常见。
. 本书原文发布于2021年，译文发布于2022年7月29日。
. 全文共计53千字。
目 录
前 言
摘 要
致 谢
缩略语
第1章 简介
1.1 作战评估：目的和挑战
1.2 将机器学习方法用于作战评估
1.3 研究方法
1.4 本报告的结构
第2章 监督式机器学习与评估
2.1 监督式机器学习及其在评估中的应用
2.2 将监督式机器学习用于评估的具体步骤
2.2.1 步骤1：整理数据
2.2.2 步骤2：制定编码标准
2.2.3 步骤3：创建训练数据
2.2.4 步骤4：校准机器学习算法
2.2.5 步骤5：将机器学习算法的输出转换为评估就绪格式
2.3 监督式机器学习在评估中的其他应用
2.3.1 图像
2.3.2 视频
第3章 使用可用的评估数据
3.1 情报数据
3.1.1 例1：敌方的自由运动
3.1.2 例2：现役敌方部队规模
3.1.3 例3：敌方行为变化
3.2 作战数据
3.2.1 例1：下级部队行动
3.2.2 例2：伙伴部队的行动、行为和士气
3.3 环境数据
3.3.1 例1：当地对敌方的看法
3.3.2 例2：对安全状况的看法
3.4 数据发现和准备
3.4.1 情报
3.4.2 作战数据
3.4.3 环境数据
3.5 将数据纳入作战评估
第4章 “观察罗盘”行动的示例
4.1 “观察罗盘”行动的背景
4.2 情报数据
4.2.1 效能评估指标1：敌方的自由运动
4.2.2 效能评估指标2：敌方行为
4.3 作战数据
4.3.1 效能评估指标3：伙伴部队作战能力
4.4 环境数据
4.4.1 效能评估指标4：敌方能力
4.4.2 效能评估指标5：敌方人员和物资损失
4.5 作战行动
4.6 指挥官的决策
第5章 建议与后续行动
5.1 建议
5.1.1 建议1：在有控制的演习中验证监督式机器学习方法
5.1.2 建议2：探索如何将非监督式机器学习用于评估并提供连续数据流
5.1.3 建议3：适度标准化作战报告
5.1.4 建议4：完善历史情报和作战报告存档、查找和提取工作
5.1.5 建议5：增加专业军事教育所需的特定评估讨论
5.2 未来机器学习与评估的方向
5.2.1 基于监督式机器学习的文本分类研究进展：性能改进
5.2.2 立场与情绪分析：使用已知的语言特征
5.2.3 异常检测：指示和警告
5.3 注意事项和风险
附录A 支持向量机
附录B 第4章的案例代码
参考文献
阿罗约中心
部分内容预览
定价 ：568元
联系我们
购置资料 杨老师：13165589228（微信同）
检索/翻译 梁老师：13011583019（微信同）
定制报告 蔡老师：13068796075（微信同）
北京分公司联系人 刘老师：18610862096（微信同）
