重要信息
官网：www.is-bdas.org
时间：2025年2月28-3月2日
地点：中国 · 广州
主办单位：广东省高等教育学会人工智能与高等教育研究分会
协办单位：北京师范大学人工智能与未来网络研究院、人工智能与大数据科研基地
简介
第八届大数据与应用统计（ISBDAS 2025）定于2025年2月28-3月2日在中国广州举行。旨在为从事“大数据”与“应用统计学”研究的专家学者、工程技术人员、技术研发人员提供一个共享科研成果和前沿技术，了解学术发展趋势，拓宽研究思路，加强学术研究和探讨，促进学术成果产业化合作的平台。
大数据和应用统计是现代数据分析的核心领域。以下是对这两者的简单介绍：
大数据（Big Data）
大数据是指那些体量大、速度快、种类多的数据集，这些数据集的处理和分析通常超出了传统数据管理工具的处理能力。大数据的三个主要特征（即“三V”）包括：
- 体量（Volume）：数据的数量庞大，通常达到TB、PB甚至更大。
- 速度（Velocity）：数据的生成和处理速度非常快，需要实时或近实时的分析。
- 多样性（Variety）：数据来源和格式各异，包括结构化、半结构化和非结构化数据。
大数据技术包括数据采集、存储、处理、分析等方面，常见的工具有Hadoop、Spark、NoSQL数据库（如MongoDB、Cassandra）等。
应用统计（Applied Statistics）
应用统计是统计学的一个分支，主要通过收集、整理和分析数据来推导结论，帮助做出决策。它广泛应用于各行各业，如医学、社会科学、市场分析、工程等。
应用统计的核心概念包括：
- 数据收集：通过调查、实验、观察等手段收集数据。
- 描述性统计：对数据进行总结、汇总，常用的有均值、中位数、方差、标准差等。
- 推断性统计：利用样本数据对总体进行推断和预测，常见的有假设检验、置信区间、回归分析等。
- 多变量分析：当数据涉及多个变量时，应用统计方法如回归分析、方差分析、主成分分析等。
在大数据的背景下，应用统计也需要处理更加复杂和大规模的数据，统计模型的精度和计算效率变得尤为重要。
大数据与应用统计的结合
在大数据时代，统计方法能够帮助从海量数据中提取有价值的信息，而大数据技术提供了强大的数据存储和计算能力。两者结合使得数据科学家能够更加高效地进行数据挖掘、预测分析、模式识别等任务。
应用统计不仅可以帮助分析大数据，还能通过统计建模和算法优化，解决许多现实问题。例如，金融行业利用统计方法分析市场趋势，医疗领域通过统计分析疾病模式，电子商务根据用户数据进行精准推荐。
简单总结，大数据和应用统计密切相关，彼此促进。在数据驱动的时代，两者的融合将推动各个领域的创新和发展。
| 李哓黎教授，IEEE Fellow，南洋理工大学 李晓黎，新加坡科技研究局信息通信研究院的首席科学家，机器智能研究所所长（领导100余位AI和数据科学家），南洋理工大学兼职教授。他的研究兴趣包括人工智能、机器学习、数据挖掘和生物信息学。自2020年以来，他一直是新加坡信息技术标准委员会的成员。此外，他还担任新加坡卫生部的健康创新专家小组成员，同时还是新加坡总 理办公室智慧国家与数字政府办公室的人工智能顾问。他也是亚太人工智能协会Fellow。 他一直在人工智能和数据挖掘相关会议中担任会议主席、区域主席、高级程序委员会委员（包括AAAI, IJCAI, KDD, ICLR, NeurIPS, IEEE-MIPR）。他目前担任世界科学出版社《人工智能年度评论》的主编，以及《IEEE 人工智能会刊》、《知识和信息系统》以及《机器学习与应用》的副主编。 他已发表论文330余篇，论文被谷歌学术引用两万余次，H指数为71，他也获得10项最佳论文奖。在Research.com全球计算机科学领域的最佳科学家名列 713 名。此外，他还被斯坦福大学多次评为人工智能领域全球最顶尖的2%科学家之一。此外，他也领导研发团队在航空公司、电信、保险等应用领域做出了杰出贡献。 |
主题
| Track 1: 大数据算法 | Track 2: 应用数学理论 |
| 智能计算应用 模型与计算 智能计算算法 进化计算 数据挖掘 三元决策与机器学习 组合算法 数据和文本挖掘 知识推理 深度学习 | 博弈论 认知建模与计算 概率论与统计学 微分方程及其应用 离散数学与控制 线性代数及其应用 数值分析 运筹学与优化 近似理论 组合数学 可计算性理论 离散几何 矩阵计算 |
参加须知
1、作者
2、主旨报告
3、口头
4、海报展示
5、听众
6、报名
