该研究开发了一种机器学习工作流程，以预测毒性浮游植物丰度变化，发现DoME模型最为有效。通过结合卫星数据和贝类毒素污染数据，提升了预测能力。同时，结合经典统计与机器学习模型，提高了鱼类资源参数的估计准确性，强调了数据驱动决策在水产养殖中的重要性。此外，研究还探讨了机器学习在食品安全中的应用及其面临的挑战。

本研究探讨了随机饲料成本对水产养殖的影响，通过推测鲑鱼饲料的随机行为，比较了考虑确定性或随机饲料成本的决策规则下捕捞鲑鱼的情况。结果发现，考虑随机饲料成本时能够显著改善情况，确定性饲料成本是良好代理。使用深度神经网络推断决策边界，改进了传统方法。该研究具有良好可扩展性，并缓解了模型不确定性的影响。

本文研究了随机饲料成本对动物类商品的影响，特别关注水产养殖。通过使用大豆期货推测鲑鱼饲料的随机行为，比较了考虑确定性或随机饲料成本的决策规则下捕捞鲑鱼的情况。结果发现，在考虑随机饲料成本时能够显著改善情况，确定性饲料成本是良好代理的情况。使用深度神经网络推断决策边界，改进了传统方法，并具有良好的可扩展性。