实验室初识

首先是汪老师，她的研究方向为主动学习。主动学习通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精确度。

我的想法：现目前多数机器学习在进行训练时为了提高精确度多采用交叉验证方法，若训练网络复杂，数据量又比较大，交叉验证可能会很耗时间。若主动学习的时间效率比较高，可以由主动学习方法先挑选训练数据再进一步训练数据，在保证模型精度的情况下提高整个工作的效率。

温老师的研究方向为肠道微生物组学数据机器学习方法研究。

我的想法：人体肠道微生物应该是非常多的，还有血液内各种细胞等数据也是很大的一个数据。想要通过这些数据通过机器学习方法对出现数据异常的病人做一个初步的诊断是一个不小的挑战。在构建模型时要考虑大量的输入数据的处理，以及神经网络隐含层的构建，还有模型的预测精度，一旦判断有误可能延误病情。这一研究要求高，挑战大。

刘老师的研究方向是形式概念分析。通过对数据集里对象与属性间的一些数据联系与特征建立该娘格，然后用合适的算法向指定对象推荐某一属性。

我的想法：目前了解到的概念格是做的推荐方向但又不同于推荐算法，是一个机器学习分支领域，我感觉概念格着重对数据的分析，可能在数据处理时花费的时间会比较长，但是在推荐阶段只需要很短的时间。虽然现目前可能还无法替代已有的成熟推荐算法，但是这一领域正常发展阶段可能会在以后替代这些推荐算法或者占一部分推荐算法的市场。

张老师的研究方向为推荐系统。在实际应用场景中，交互推荐是主流的推荐方式，推荐系统都会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。在设计或者优化推荐算法时也要考虑数据质量本身决定了算法的精度上限，一旦数据集给定，这个魔法边界就确定了。

我的想法：可能从推荐算法不会有太大突破，倒是这个魔法边界挺吸引人。给定数据集那么这个数据集就是确定的可能优化算法会有一定提升但不会提升到某个顶点，若预知了这个数据集能做到的顶点，在优化算法时可以判断代价与优化程度的关系而判断是否值得优化。

方老师的研究方向是三支决策。三支决策是一种基于符合人类认知的决策模式，它认为：人们在实际决策过程中，对于具有充分把握接受或拒绝的事物能够立即作出快速的判断；对于那些不能立即作出决策的事物，人们往往会推迟对事件的判断，即：延迟决策。

我的想法：三支决策的重点可能在延迟决策，优点是减小决策失误。它将复杂的模型化繁为简。

高老师的研究方向为油气勘探开发中的实际问题。

我的想法：其中印象比较深刻的是通过认为制造地震再通过传感器采收地震波绘制底层数据图。一般通过钻井勘探可以较为确定详细的底层构造，但是工程量大可能还受地域限制。采用机器学习与数据采集方法相结合的方式便比较简单还比较准确。

总结：通过几天的会议也大体了解了各个老师的研究方向。我也有点启发，现在我们做一个各种因素影响油气产量的模型。数据集的数量很少，但是影响产量的可变和不可变因素有很多。我也有些疑问能不能通过主动学习的方法先选出一些影响很大的因素搭建模型？地层绘制的模型能不能作为地质因素分类模型的一个参考？三支决策的方法能不能把影响因素分成影响很大，影响不大和影响不清楚等？这样可以多角度的分析各种因素影响，方便模型建立。