前言
为期三天半关于smale实验室各导师研究方向的介绍结束了，开门见山，直入主题的女导师们，温柔细致又耐心，烧脑又有趣的男导师们，显得尤为special！
一:研究生的故事
第一堂课给我最深刻的认知是，研究生是真的开始书写自己的故事了，没有约定俗成，没有按部就班，仅有的是要锻炼自己的独立思考，并将它落实的能力！发现故事，思考故事，最后执行解决故事。相信我们最后都能完成属于自己的研究生故事。
二、介绍
1.主动学习
汪老师
用机器算法对样本进行筛选分类（样本相同就分类，不同就分块），再将数据交给专家进行标注。
那么我们怎么样来挑选样本呢？（论点研究进程）
1:是用一个标准来挑选，基于了密度和距离的乘积。
2:多个标准，基于信息量，基于代表性，基于差异性。
3:挑选多少个样本可以用来推测样本的类别--根据不同选取测量样本数量来做研究，得出结论。
4:怎么样分块--延申优化，减少误差。
2.肠道微生物组学数据研究
温老师
对微生物数据进行分析研究，得出有关疾病预测结论。
微生物数据特点：高维特征，少样本，强稀疏，样本不均衡
研究过程：
数据->数据分析处理->特征选择策略->得出分类器模型->疾病预测输出
3.基于概念认知的推荐系统
刘老师
概念格->概念集合-得出推荐。
概念格：
概念格中的每个节点称为一个概念，它由外延和内涵两部分构成。外延表示概念所包涵的所有对象的集合，内涵表示外延中所有对象共同的属性集合。
生成概念组->选择分析->得出结论（推荐）
4.推荐系统: 数据、问题与算法
张老师
推荐系统的核心问题就是预测用户对商品的偏好。
偏好可以用一个评分来表示，也可以用是否有浏览来表示，我们根据这两点最为数据信息，进行推荐。
分为：
基于浏览矩阵的推荐
基于评分矩阵的预测
基于评分矩阵的预测（设置一个阈值 r ）
交互推荐（根据用户的选择优化推荐列表，也就是说用户这一轮的选择会影响下一轮的推荐列表）
三支推荐
推荐系统的魔法边界（给定数据集，得出精度上限（或者误差下限））
5.三支决策+粒计算
方老师—最可爱最special的方师父。
3WD-GRC组：
大规模数据的 Sampling + SVDD + 3WD + Reduction：-机器算法得出分类边界+校正。
地震数据的土壤液化风险评估-预训练模型->应用汶川地震数据集->数据集共性
基于对象移动的三支决策模型
基于粒计算的聚类-逐步缩小分类范围，“粒”化。
6.机器学习-油气勘探勘探开发研究
高老师。
地震波收集->地震波数据->图像去噪->地质数据
总结
多多了解学习，找出自己喜欢的东西，感兴趣的故事点，那么就开始深究，一步一个脚印，一个问题一个问题的解决，由浅入深，慢慢书写属于自己的故事。
|