随着大数据时代的到来，机器学习成为解决问题的一种重要且关键的工具。不管是工业界还 是学术界，机器学习都是一个炙手可热的方向，但是学术界和工业界对机器学习的研究各有 侧重，学术界侧重于对机器学习理论的研究，工业界侧重于如何用机器学习来解决实际问 题。我们结合美团在机器学习上的实践，进行一个实战（InAction）系列的介绍（带“机器 学习InAction系列”标签的文章），介绍机器学习在解决工业界问题的实战中所需的基本技 术、经验和技巧。本文主要结合实际问题，概要地介绍机器学习解决实际问题的整个流

不确定的随机变量为处理同时存在不确定性和随机性的现象提供了一种工具。 本文提出了一种“风险价值”概念来量化不确定随机系统的风险。 另外，证明了风险价值定理，以计算风险价值，并将其应用于串联系统，并联系统，n出k的系统，备用系统和结构系统。

：考虑投资市场的随机动态属性，以Markowitz均值-方差模型为基础，建立了一种不确定环境多目标投资组合模型，模型中以天为时间单位，通过预先设定的采样周期计算当前时刻的收益率和方差而获得时变的投资组合模型。利用一种动态多目标免疫优化算法对模型进行实证分析，选取深沪300中的23种资产(2009年1-2月份)的实际日交易数据进行实验，结果表明：算法能跟踪不同时刻的收益-风险Pareto有效面，且采样周期的选取对相同风险下的收益具有一定的影响，此结论对投资组合理论的进一步研究具有一定价值。