2015年大數據研討會

㈠ 「大數據時代人群隊列研究：現狀及展望」學術研討會在我校召開

大型人群隊列研究是解決目前醫學和健康重大問題的有效方法之一，是醫學逐步走向精準提高效果的必經之路。國外已經累積了幾十年的經驗，近年來我國也掀起了大型人群隊列研究的熱潮。以中英合作的CKB前瞻性隊列研究為代表的中國大型隊列研究已在國際上嶄露頭角。如何契合我國的需要，進一步開展獨特的隊列研究，充分利用隊列研究的成果，為我國衛生和臨床決策提供關鍵依據，仍然是擺在我們面前的巨大任務。

4月13日，在春意盎然、生機勃勃的季節，在美麗的東莞松山湖畔，值此廣東醫科大學六十周年校慶之際，為了緊跟當前人群隊列研究的學術前沿，提升我校在人群隊列研究領域的科研能力，由我校主辦、科技處和公共衛生學院承辦的「大數據時代人群隊列研究：現狀及展望」學術研討會在東莞校區行政報告廳召開。會議邀請了國內外公共衛生領域著名的專家學者前來，圍繞大型人群隊列建設的時代背景、必要性、建設現狀、建設成果及面臨的機遇和挑戰等議題與我校師生共同討論、分享和交流。

開幕式由學校丁元林副校長主持，學校黨委副書記、副校長余學清教授和教育部國家督學、北京大學博雅講席教授李立明教授分別致辭。

余學清副書記、副校長在致辭中代表學校歡迎各位知名專家學者、同仁朋友的到來，感謝各位專家對此次研討會的鼎力支持。余校長在致辭中指出在精準醫學和大數據時代的今天，復雜疾病的病因學研究迎來了前所未有的機遇與挑戰，構建反映國人多樣性的國家級人群大型健康隊列，將各組學、大數據科學、分子影像等新技術有機整合，建立多層次精準醫療知識體系和生物醫學大數據平台,對於精細解析復雜疾病的病因結構，進而提供重大疾病風險評估和預測、早篩分類、個體化治療及療效監測的整套解決方案具有重大戰略意義。目前，大型人群隊列研究已經是流行病學領域乃至公共衛生領域的主旋律之一。本次大會群賢畢至，人才薈萃，相信定能開啟新的視角、激盪起新的思維、碰撞出新的火花，為廣東醫科大學人群隊列研究的發展助力加油。

李立明教授在致辭中強調廣東醫科大學擁有特殊的區位優勢具有巨大的發展潛力和前景；十九大以後健康中國的建設是每一位醫葯衛生從業者應擔負起歷史使命；大數據在醫學領域有廣闊的應用前景，此次研討會恰逢其時，並將推動廣東醫科大學的科研工作以及全國類似研究的進步。隨後，李立明教授帶來了「中國慢性病前瞻性隊列研究」的主題講座，從人群健康角度以及國家戰略高度，介紹了大型隊列研究的必要性、國內外大規模隊列研究的概況，指出隊列研究在研究設計上具有獨特的優勢，隊列研究尤其適用於發病率低的疾病以及尚待發掘的弱效應因素的病因研究，特別闡述了超大型人群隊列（MegaCohort）的產生、發展及特點，隨後介紹了中國50萬隊列研究的進展情況，強調了大型隊列研究的隨訪流程，而且還分享了中國50萬隊列研究取得的一些重要研究成果。並將中國50萬隊列研究項目下的成果《大型人群隊列隨訪標准》和《大型人群隊列調查問卷標准》兩部著作贈與我校。

華中科技大學潘安教授分享了「東風-同濟隊列」研究，該隊列基於職業人群，具有研究對象穩定，隨訪率高，良好的職業環境監測資料，醫療記錄和醫療保險系統基礎好以及集團公司大力支持等特點，潘教授詳細介紹了「東風-同濟隊列」的設計、進展、取得的研究成果以及後期設想，特別闡述了隊列研究中樣本代表性問題的思考和判別方法。

中山大學凌文華教授做了「廣東冠心病人群隊列研究」的主題報告，闡述了營養膳食與心血管疾病，膳食模式與代謝性疾病的關聯，介紹了廣東冠心病（CAD）隊列的基本概況，CAD隊列的相關標志物（體內）研究，如血糖與死亡風險、血清HDL-C與冠心病風險，分析了營養素、食物以及膳食模式與主要慢性病的關聯，為營養流行病學在隊列研究中的應用提供了借鑒依據。

余學清校長做了題為「腎臟病基因組學與隊列研究」的主題報告，充分肯定了在大數據時代下開展隊列研究的價值和意義，介紹了其課題組建立腎臟病患者隊列的情況，並分享了其基於隊列進行研究的進展和所取得的結果。

新加坡大學劉建軍教授做了「Genetic Variation inGenomic Medicine: from susceptibility to treatment」的主題報告，介紹了生物標志物特別是遺傳生物標志在麻風、系統性紅斑狼瘡等疾病中臨床診斷意義及應用，指出遺傳生物標志在流行病學病因分析中具有重要意義。

公共衛生學院院長倪進東教授向與會專家介紹了公共衛生學院的基本概況、發展歷程及取得的教學科研成果。公共衛生學院的部分教授、博士就相關研究領域作了主題匯報，共同分享了各自研究領域的科研設計及科研發現。唐煥文教授匯報的題目是「PARP-1通路在氫醌誘導TK6細胞DNA損傷修復與轉歸中的作用」，倪進東教授報告的題目是「Tfh細胞在乙肝疫苗弱應答中的作用及其表觀調控機制」，楊錚教授匯報的題目是「癌症患者報告結局研究」；黃志剛博士匯報了「胃癌相關分子標志物的發現及功能驗證」，鄒堂斌博士匯報了「蝦青素經miR-29b/Bcl-2通路抑制LX-2細胞增殖和促進其凋亡」，劉小山博士匯報了「有機磷阻燃劑的內分泌干擾效應和機制研究」，他們報告的內容吸引了與會人員的濃厚興趣。

中山大學余新炳教授、安徽醫科大學葉冬青教授、香港中文大學唐金陵教授和中山大學郝元濤教授應邀擔任了本次研討會學術報告的主持。

此外，北京大學任濤教授、南方醫科大學毛琛教授以及《中華流行病學雜志》編輯部王嵐主任等應邀出席了本次會議。

本次研討會公共衛生領域知名專家學者人才薈萃，學校將以此為契機，廣納隊列研究中的真知灼見，廣聚學術研究資源，廣交學術人才，為我校即將開展的新生兒隊列研究帶來新思路，新途徑。通過研討會增進了與兄弟院校、同行專家學者的密切合作，為「健康中國」事業的發展貢獻智慧和力量。（文/徐秀娟 圖/廖瑩 駱詩凌 張清青 梁蓉 陳桂蘭 洪丹鳳 王江瑤 王麗君  編/王麗君  審/蔡定彬）

㈡ 「湖南省農業大數據」研討會在哪裡舉行，有誰參加

湖南農科院彭選明、農科院信息化的劉學文，天聞數媒事業部韓欽等等。

㈢ 正確運用避免陷入大數據的「陷阱」

正確運用避免陷入大數據的「陷阱」
通常，對於新的IT關鍵詞必定會出現「反對派」。最近，「大數據」就成為被攻擊的對象，諸如「大數據失敗論」等論調也明顯增加。
業界對大數據抱著極大的期待，這一點從大量的大數據研討會和展示會風潮就足以證明。這些年來，除了雲計算浪潮，缺乏熱烈話題的IT業界而言，大數據是期待已久的大型關鍵詞，也許大數據會成為恢復業界活力的強心劑。

與此同時，日本政府提出新的IT戰略--「將行政數據向民間開發，以便不斷創造新商務」。也就是說，如何有效利用數據，推動商業成功，業已成為國家戰略的一環。
雖然筆者既不是強烈的贊成派也不是反對派，但通過以往的采訪經驗，對處理數據的難度有著清醒的認識。更何況涉及到大數據，其難度顯而易見。
筆者周邊很多人對大數據也有著各種不同的看法，提出各種問題。當然這些對於IT業界的讀者而言，都是理所當然的事情，筆者說這些也許是班門弄斧了。但是，正是這些眾所周知的道理通常也是非常重要不可忽視的。因此，下面筆者將重新提出大數據的「陷阱」，探討如何才能避免運用大數據的失敗。
是否真正需要大量的數據
首先，必須明確的一點是，是否真正需要大量的數據。
在一次活動中，一位統計分析的專家在談到大數據時說：「本來統計分析學是如何通過少量的取樣，去了解事務整體的學問。例如，電視的收視率調查就是一個典型的事例，這類調查就是通過極少的樣本，來掌握日本全國的收視狀況。如果目的明確，並不需要大量的數據。」
由於上述言論出自目前作為「數據科學家」備受矚目的統計分析方面的專家之口，讓筆者不禁大吃一驚。這就是說，只要有一定量的數據，無關數據數量，分析的結果並不會有很大的差別。如果果真如此，不禁讓人產生懷疑，即到底大數據是為何而存在。
聽到上述觀點，使人感到大數據所面臨的矛盾的應當不僅僅是筆者一人。本以為通過大數據分析，滿懷期待能夠發現以往沒有認識到的新的東西，但有時其結果不過是已有所知的事實而已。如果企業為系統開發投入數十億日元，得出的不過是證明資深職員「經驗」的結論，這也未免讓人難以接受。
正因為如此，就有必要重新考慮為何需要大數據這一問題。例如，企業需要明確通過將有交易往來的公司和社交媒體等本企業外的大量數據進行組合，是為達到何種目的等，即有必要事先制定大數據的目標。
數據的「質量」有無問題
第二點是由誰來維護大量的數據，即數據的「質量」如何能夠得到保障。
筆者曾聽說這樣一件事。某企業的總經理每個月都會收到有交易往來的IT供應商的宣傳（PR）雜志，但收件人的頭銜不是「總經理」，而是他曾經兼任公司CIO時的頭銜「常務董事」。雖然將頭銜搞錯，但還是都能收到，因此並沒有太在意。但當這家IT供應商的總經理到公司進行禮節性拜訪時，就提出了希望改一下頭銜的想法。
而這家IT供應商的新的賣點是大數據，公司的總經理當場表示回去馬上會進行修改。起初以為這點事情對於運營大數據業務的IT供應商而言不過是舉手之勞，一定會進行糾正。但是，等到下一個月他收到的的PR雜志時，發現收件人的頭銜仍然是「常務董事」。這位總經理通過兩本PR雜志感到彷彿看到了大數據的現狀，因此他非常失望地說：「歸根到底IT供應商並沒有維護顧客資料庫」。
上述例子雖然是顧客數據，而不僅僅是顧客數據，說到大數據必然還需要處理很多各種各樣的企業外部的數據。但是，這些數據是否是最新數據，其數據的精確度又如何等數據的「質量」就會非常重要。分析出處不明的數據將毫無意義。如果顧客數據不能隨時進行維護，也就不會產生任何價值。不應當將當初以為是寶山的大數據，變成一座堆滿垃圾的山。
是否忽視了現場職工的工作干勁
第三點就是企業不僅應當努力培養數據科學家，同時也需要提升現場職員的分析數據的能力。如果在店頭等現場直接接觸顧客的員工變得「擅長數字」，他們也能夠常常通過數據考慮事情並進行判斷，這樣的企業必定會強大起來。
例如，有一家超市的店頭銷售員就從與顧客的對話中得到啟發，通過購進新的商品或是改變商品陳列的方法，提升了銷售額。又比如，在特快列車上負責銷售的員工，發現似乎「可吸煙座位的咖啡暢銷」，當他整理出不同列車的銷售業績，結果發現確實是如此。於是決定在吸煙車廂集中推銷咖啡，結果咖啡的銷售量明顯增加。
當然，通過現場增加的銷售額，也許和利用大數據獲得的銷售數字相比很小，而且其分析能力也遠遠不及數據科學家。但是即便如此，如果通過將這種方式橫向拓展到其他現場，積累的數字也會非常可觀。同時，最為重要的是，這種方式能夠提升現場員工的工作動力。
實際上，某零售企業自從將其銷售分析統一由總公司實施後，店頭員工就失去干勁，甚至出現退職的員工。這說明只依靠上級的指令，則會降低現場的職業道德。因此，這家公司決定給予現場員工自由分析判斷的職能，由此店頭又重新恢復了活力。雖然大數據非常重要，但是如果將許可權集中在某些部門，則會導致現場喪失工作干勁。
以上三點實際上不僅僅對大數據而言非常重要，而且同時適用於整個信息系統。大數據是IT業界期待已久的關鍵詞，為使其成長壯大，就需要腳踏實地的努力，而不應被其華麗的部分所束縛擺弄。正因為如此，筆者認為提出的上述三點需要重新銘記心中。

㈣ 第十七屆中國高速公路信息化研討會暨技術產品展示會簡介與報名

這個我知道，我們公司報名了。給你一份邀請函吧，看了就知道怎麼報名

致力於高速公路信息化的產業界朋友：

起步於1999年的「中國高速公路信息化研討會暨技術產品展示會」，從關注我國高速公路機電工程建設到信息化建設，從小規模的技術交流到2014年第17屆行業盛會，十幾年來，為推動我國高速公路信息化的建設與發展發揮了積極的作用。

為進一步提高高速公路信息化建設、管理和服務水平，加強同行間的經驗與技術交流，推廣新技術與新產品應用，中國公路學會定於2015年3月19-20日在南昌舉辦第17屆中國高速公路信息化研討會暨技術產品展示會。

歡迎各有關企業和機構參會或參展。

一、會議內容

1、形勢分析

物聯網、大數據、雲計算等新技術在高速公路應用前景分析；高速公路信息化發展展望與應用需求分析；高速公路信息化技術發展趨勢分析；智慧高速公路發展展望等。

2、信息化管理

高速公路（網）運行監測；高速公路應急處置與指揮調度管理；高速公路綠色通道、養護及路政管理信息化；收費站與服務區管理信息化；高速公路機電設備維護維修與管理信息化；新技術在高速公路管理中的應用探討等。

3、規劃設計

省域路網中心的規劃、建設與實施；高速公路機電工程設計理念的創新與發展；高速公路收費、通信、監控等系統設計中存在的問題與建議等。

4、綜合技術

高速公路綜合管理信息平台；高速公路綜合監控與交通指揮調度；高速公路信息資源共享與出行服務；相鄰省份高速公路信息互通；高速公路綠色通道檢測；高速公路機電系統防雷；高速公路氣象監測；高速公路視頻會議系統；高速公路三維地理信息系統；高速公路緊急救援系統等。

5、聯網收費

電子不停車收費（ETC）：聯網ETC運營管理中的問題與對策；ETC客服體系的標准化；跨省市聯網ETC有關問題探討等。

計重收費：計重收費運營管理及系統升級改造探討；ETC環境下計重收費系統的應用等。

路徑識別：高速公路聯網收費多義性路徑識別；路徑識別與ETC系統的聯動；牌照識別技術在路徑識別中的應用與發展等。

新技術應用：自由流收費技術的研究與應用；攜帶型收費技術的實踐；無人值守的高速公路自動發卡機的應用等。

6、聯網監控

高速公路視頻監控的網路化與智能化；高清視頻監控、全程監控系統的建設與應用；視頻聯網改造與系統設計；視頻事件檢測與應急處置；無線移動視頻監控系統的應用等。

7、專用通信

高速公路通信系統升級改造與擴容；無線通信技術在高速公路的應用與發展；智能光網路系統的建設與應用等。

8、高速公路運營節能

隧道通風、照明及供配電節能；照明燈具的選擇及智能控制研究與應用；隧道、收費站與服務區照明節能實踐等。

9、新技術新產品展示

二、參會對象

省（區、市）交通主管部門；高速公路建設、運營、管理等單位和部門；高速公路機電與信息化工程設計、施工、監理、科研等單位和部門；各級公路學會會員單位；高速公路系統集成商、產品供應商等。

三、商務活動

大會將同期舉辦第17屆中國高速公路信息化技術產品展示會，並將推出形式多樣的商務活動，歡迎企業積極參與（詳見商務活動報價表）。

四、會議地點

地點：南昌國際展覽中心主館、A館、B館

五、會議組織

主辦：中國公路學會

承辦：《中國交通信息化》雜志

六、會務組通聯

ph136、9157、4660----=Q；279/1866//326

㈤ 「人工智慧」，「大數據」+教育如何驅動教育的未來

近日，由論答公司主辦的教育大數據研討會在北京舉行，討論會主題為「大數據+教育，有哪些可能性？」。本次研討會主要關注數據在教育領域的應用，具體包括自適應學習、學習數據分析和教育數據挖掘。來自賓夕法尼亞大學、人民大學、華中師范大學的專家和企業界代表，共同探討了教育大數據和自適應學習領域的技術趨勢和產業機會
Ryan Baker是國際教育數據挖掘協會（International Ecational Data Mining Society）的創始人、《教育數據挖掘》雜志（Journal Ecational Data Mining）主編，在各類期刊和會議發表了260餘篇學術論文，先後主持了美國科學基金會（National Science Foundation）、蓋茨基金會（Gates Foundation）等研究基金的多項重大項目，累計獲得研究經費超過1600萬美元。
他也在哥倫比亞大學教育學院和愛丁堡大學同時擔任教職，他在Coursera和edX上開設的「Big Data in Ecation（教育大數據）」課程，有來自100多個國家和地區的學生注冊。
研討會現場，Ryan Baker通過遠程視頻，分享了他對教育大數據的體驗和應用。據他介紹，目前在教育大數據領域主要有四大研究組織，分別研究人工智慧與教育、教育數據挖掘、學習數據分析和大規模學習。
Ryan Baker表示，在教育領域廣泛應用大數據的時代正在到來。教育數據挖掘有很多的應用方向，包括：預測學生是會輟學，還是會成功完成學業；自動檢測學生的學習投入程度、情感、學習策略，以更好地達到個性化；給教師和其他相關人員提供更好的報告；教育科學的基礎研究和發現。
他認為，個性化教育至少要做到三件事情：
1、確定學生的有關數據；
2、了解對於學生的學習來說什麼是真正重要的；
3、有針對性地為學生提供合適的教學。
而通過教育數據挖掘，我們可以推斷很多事情：
學生的元認知和求助。比如，這個學生有多自信？當他需要幫助時，有沒有在尋求幫助？他有沒有在給自己解釋問題，有沒有思考這個答案是正確的還是錯誤的？最重要的，當他面臨挑戰時，能否堅持下去？
沒有投入學習的行為。比如，「玩弄」系統，為了找到正確的答案，有的學生會試各種不同的答案，從「1」試到「38」。粗心，本身會做，但是不用心，最後給出的答案是錯的。有些孩子會做非常難以解釋的行為，比如不用方程符號，而是畫了一個笑臉。
學生情感。Baker的研究團隊和其他研究團隊，已經創造了研究模型，可以根據數據推斷，學生是否感到厭倦、沮喪、困惑、好奇、興奮、快樂，是否投入，等等。
長期的學習結果。比如，學生能夠記住剛才他學的東西嗎？學生准備好學習下一個主題、下一個知識沒有？中學生能上大學嗎？他會從大學畢業還是輟學？
Ryan Baker表示，要獲得這樣的推斷，只需要學生與系統交互的數據，不需要學生戴上頭盔檢測器。目前，這些模型已經開始大規模應用於自適應學習，應用於幾十萬的美國學生。Ryan Baker列舉了一些自適應學習系統的案例。
Knewton
通過系統決定學生下一個要學習的問題是什麼，已在全球的多個領域多個學科中運用。
ALEKS-ALEKS
用的是先行知識結構和知識點模型，來選擇最適合學生的學習材料。比如，一個學生在學習上出現了問題，系統能夠檢測出來，是以前學的知識點出了問題，然後讓學生回到以前的知識點上去學習。ALEKS系統應用於美國高中、大學的數學、科學學科。
Cognitive Tutor
系統能自動檢測學生的知識，直到學生掌握為止。比如，系統不會讓學生學習下一步的知識，直到他展示出他已經學好了他現在正在學習的知識。系統能夠給學校提供數據報告，學校根據報告能夠更好地讓學生投入到學習中去。每年大約被50萬的美國初高中生用於數學學習。
論答
論答公司的系統與ALEKS的系統有些類似，也是用先行結構和知識點模型，選擇合適的學習材料。同時也是自動檢測學生的知識狀態直到學生掌握為止。應用領域目前包括數學和英語，完全針對中國學生開發。
Reasoning Mind
用各種自動檢測的模型來檢測老師的教學是否有效。通過數據生成報告給每個地區的教學管理員，讓他們找到方法幫助老師提高教學。主要是用於美國的小學數學。
Duolingo
自動檢測學生記憶，來決定什麼時候回顧已經學過的知識。在全世界范圍內應用於外語詞彙的學習。
其他的像Civitas，Course Signals，Zogotech都是地區供應商，運用風險預測模型提供行動信息預測。它們會對學生做出預測，可能學不好、會失敗，把報告提供給老師。已在世界范圍內的大學應用。
Ryan Baker指出，在這些系統中，有足夠的證據證明，至少以下兩個系統是非常好的。
1、胡祥恩教授在美國做了大量實證研究，證明ALEKS系統對於幫助學生學習是有效的。他的研究證明，ALEKS系統對於不同人群的學生是同樣有效的；特別值得提出的是，ALEKS可以幫助少數人群群體提高學習成績。
2、Ryan Baker本人領導的研究團隊與論答公司合作的研究表明，學生通過論答系統學習，比通過傳統的在線學習系統學習，效果更好。他們在中國3個不同的地區做的3次實證研究，都證明了論答系統的有效性。
Ryan Baker分析了教育大數據演算法模型的潛在發展方向。他認為，這些模型的長期潛力是，通過學生的知識和學習模型來確認，學生什麼時候需要更多的支持：
首先是「mastery learning」，學生在掌握一個知識前，不會讓他去學習下一個知識。當學生需要支持的時候，自動介入；同時告訴老師和父母，這個學生什麼時候需要支持。
通過學習投入程度模型判斷，學生什麼時候開始變得厭倦、沮喪了，並調整學習活動，讓厭倦的學生不再厭倦，讓沮喪的學生的學習變得更容易一些。
學習投入程度模型還可以檢測，在線學習中，什麼樣的學習活動，能讓學生更容易地投入進去，並最終發現，什麼樣的學習活動對學生更好、對什麼樣的學生更好。
這樣的模型也能告訴老師和父母，學生什麼時候開始變得不再投入學習了。
還可以運用學習模型確認，學生什麼時候沒有真正學會，需要更多支持。
最後，Ryan Baker指出，下一步的目標是優化之前已經驗證的經驗和方法，然後把它們運用到系統中，最終讓中國和世界上的數十億學生受益。
討論：「因材施教」的千年理想該如何照進現實？
王楓博士，論答公司（Learnta Inc.）創始人兼CEO
胡飛芳博士，美國喬治華盛頓大學（George Washington University）統計學終身教授，中國人民大學統計與大數據研究院的教授
胡祥恩博士，美國孟菲斯大學（University of Memphis）心理系、計算機科學系、計算機工程系終身教授，華中師范大學心理學院院長
馬鎮筠博士，論答公司聯合創始人兼首席數據科學家
辛濤博士，北京師范大學中國基礎教育質量監測協同創新中心常務副主任、博士生導師，兼任國家督學、教育部基礎教育課程教材專家工作委員會委員、中國教育學會學術委員會委員。
技術發展到今天，「因材施教」如何實現？
王楓：因材施教，我首先到的是，每位學生學習的內容都不一樣。如果有新的技術或者系統，系統應該像一個好老師一樣，不會頭疼醫頭腳疼醫腳。比如說，一元二次方程做錯了，好老師不會簡單說一元二次方程做錯了，你繼續再做十道一元二次方程的題目，這其實是很差的老師，他沒有真正去全面評判學生，到底是哪些掌握好、哪些掌握不好。
一個好的老師可能會說，我全面地看了你整個學習，可能你的問題不是出在一元二次方程上面，老師看了你做的題目，一元一次方程沒有掌握好、因式分解也沒有掌握好，你繼續做一元二次方程是浪費時間。這就是從系統角度來說，系統做到了根據每個學生最基礎的先行知識點的結構，給你提供最適合你當前學習的知識點，題目也好、視頻也好、還有其他各種各樣的學習內容。
胡飛芳：因材施教是我們教育的理想狀態。孔子很早提出因材施教，在他當時的歷史環境裡面，因材施教可能更多是個體性的，因為那時學生少、老師也少，因材施教相對比較容易做到。
隨著歷史的發展，我們有更多的人需要教育時，我們做的一件事情是什麼呢？就是做了一個標准化。標准化做的是什麼？課堂教育。課堂教育從某種意義上來講是標准化。現在這個歷史階段，教育大數據可能真正要做到的就是因材施教，自適應學習本身想做的也是這個。
胡祥恩：因材施教事實上在學習理論里有兩個：一個是outerloop「學什麼」，一個是innerloop「怎麼學」。用技術來細化因材施教是教育產業走向成熟的一個標志。但是這個路非常非常難，因為「怎麼學」那個層次非常非常難。
馬鎮筠：「因材」代表認識到學生的個體化差異，「施教」指進行差異化教學，這是根本思想。但如果考慮到時代背景，孔夫子時代專注的是學生的職業發展方向，也就是說，把適合當政治家的培養成政治家，把適合當學者的培養成學者。現在再提因材施教，我們其實能做得更多、更精細化。
比如，「因材」，對「材」的分類不僅是職業方向，還會考慮到學生的學習狀態、學習目標、潛在能力、興趣偏好等。而且，傳統意義上的因材施教考慮的是學生個體間的差異，沒有重視學生本身狀態是在發生變化的，學生在不斷學習，狀態甚至興趣各方面都可能發生變化。
但這些是自適應學習能夠做到，甚至比傳統的因材施教做得更好的地方。再說到「施教」，現在我們能做的幾件事，包括學習路徑推薦，給不同的學生匹配他最合適的學習內容，這種非常精細化的層面，我們已經有了一定的技術積累。
怎麼判斷一個產品做到了真正的自適應？
馬鎮筠：大多數產品的學習過程可以分為測、學、練，可以從這三個環節去看這個產品做到什麼程度。
測，各種學習機構都有測評。但是國內只有論答團隊第一個做出來能夠在幾十道題內，精準判斷你一百個知識點，哪21個沒掌握，哪79個掌握了。市場上大部分競品，只會告訴你，知識點掌握率或者分數，79分或者知識掌握率達到79%；或者一些其他維度的總結，比如邏輯思維能力比較強、閱讀的磨煉技巧比較好、學習動力哪方面稀缺。他們做了降維，本來很復雜的學習狀態這樣說出來，相對比較容易實現。但如果要做到具體告訴你，哪些知識點掌握、哪些知識點沒掌握，這個難度就高很多了。
關於學習路徑推薦的話，很多題庫類的軟體，知識點學完之後，會給一些題目推薦，但真正實現路徑推薦的很少很少。路徑推薦也是很核心的，有20個知識點沒掌握，先學哪個知識點，後學哪個知識點，學習順序是非常關鍵的，必須遵循循序漸進的原則，哪些知識點是前提知識點，哪些知識點是後續知識點，隨機給你知識點去學習的話不能起到最好效果。真正到了練或學的環節，推薦什麼樣的視頻，先推視頻還是先推文字講義，推簡單題、中等難度題還是復雜題目，都需要根據學生實際情況來決定。
剛才只是舉了幾個例子，具體涉及到背後的演算法、整個系統跟學習內容的結合以及整個教學流程的實現，中間很多環節必須要打通，形成一個閉環，才能對最終的結果負責。
辛濤：我的研究領域是教育和心理學的測量和評價。我個人的學術觀察，基本上在現代這領域是兩個類型。一個是心理測量領域，有一套成熟的方法，包括早期的IRT（Item Response Theory）和現在的ADT。另外一個是人工智慧檢測。心理測量系統，是一小群人在做；人工智慧化是大的方向，現在是顯學，給大家提供了明顯的可能性。重要的是，那些背後的演算法，能夠在企業里真正實現出來。現在可能很多演算法已經在那兒了，大體上路徑是通的。
自適應學習基本上是把學習和評價聯動起來了。因為，要自適應學習，必須有一個系統隨時看到學生學到什麼程度，這個完全是評價。但是，評價完了之後有一個新的呈現。這一塊現在已經有一些很成熟的一些東西了，但不是一時半時可以說得特別具體的。
我做教育的測量和心理測量，人工智慧那塊我不熟。但是，從教育測量角度來說，在自適應學習和新技術結合之前，很大一塊還是自適應考試，CAT（computer adaptive test）。系列化產生一個CAT變成了一個自適應學習的過程。總的來說，使用最簡單、最機械化的方法，連續的CAT實際上是可以破解一個學習過程的。
測評本身經歷了好幾個階段，通常用三個應用介詞表示。
accessment to learning and teaching；
現在國家倡導的，accessment for learning and teaching，測評要對學習和教學有幫助；
跟信息化結合，accessment as learning and teaching，它是學習提供的完全融合的一個環節。
王楓：什麼樣的自適應學習系統才是真正的高級自適應學習系統？在中國的落地到底是怎麼樣才能真正落地？我在馬博士的基礎上想補充一點。
自適應系統如果一定要分級，也可以簡單分一下。一種最基礎的系統是基於規則的，比如說埋點。一個學生做10道一元二次方程題目，我預先埋好了，你做錯了，立馬給你推五道一元一次方程題目、五道因式分解題目。這個是埋點埋好了，這是規則，預先由老師或公式設置好了。
但這個規則有用性是非常有限的，因為每個學生不一樣，A學生是因為一元一次方程不會，B學生可能是因式分解不會，C學生可能連小學的乘法快速運算都不會，這個沒法預先直接埋點准備好。
所以自適應系統真正到了更高級一點的話，一定是真正通過大數據、根據演算法模型來分析學生的學習數據，匹配下一步應該學什麼。
在中國，自適應學習有效應用於教學有三個前提條件。做到這三點，自適應學習在中國的教育裡面前途無限。
好的產品。必須要有針對中國本土化的自適應學習產品，把它開發出來。像ALEKS系統的確演算法不錯，但裡面連一套國內的高考題都沒有，家長不會讓小孩子用這樣的系統，因為直接影響應試目標。真正本土化開發的話，沒有一成不變的演算法，世界上最好演算法就是沒有開發出來的。教育非常復雜，每個學科不一樣。比如數學後台有強大的關系，先行後續關系；英語沒達到數學這么強的相關性，但演算法是一樣可以應用的。
好的學生、家長、老師。有了好的產品，首先學生應該真正投入進去學習。像Ryan Baker教授講的，學生如果隨便學一下，再好的系統也沒用。第二，家長得督促孩子學習。第三，老師非常重要。老師應該做有價值的事情，比如給學生做個性化的輔導答疑，給學生針對性的講解，組織學習活動小組，鼓勵學生發揮創造能力，領導能力的培養。
學校以點帶面。學生大部分時間都在學校裡面學習。如果學校里最基本的、有效的在線教學產品都不應用的話，其實是有問題的。但是改變絕對不是簡單的行政命令可以解決的。一個好的產品，一定是從點到面，逐步推廣。自適應學習，更適合有明確目的的學習，像應試教育這塊可以做得更好。所以學校可以應用進去。
胡祥恩：我覺得大家做自適應也好、因材施教也好，比較好的例子大家可以看一看。教育這個領域有多大，自適應概念就該有多寬。所以說，實驗室裡面有很多小的做得非常非常好的東西，只是沒有到市場上面去，有很多非常非常巧妙的演算法、一些東西。你會發現很多歐洲的、美國的實驗室做的system，我每次看了都有種，自己是坐井觀天的感覺。
怎麼看待人工智慧在教育中的應用？
胡飛芳：AlphaGo跟master，谷歌做了一個非常好的廣告，人工智慧在某些方面可以做得非常好。但是，我現在給你們講另外一個谷歌自己不會去說的例子，但這也是事實。2008年、2009年的時候，谷歌推出一個免費產品，用各種搜集到的數據，預測美國的流感發展趨勢。開始時很成功，預測跟實際發生的情況很相似。但到2015年，他自動撤回去了，不再提供預測。因為在2012跟2013年預測的時候，預測結果跟實際情況相差非常遠。
這說明像這種不確定性的問題，人工智慧還有非常大的局限性。一旦有不確定的數據，就有噪音。數據量很大時，大數據可能產生大噪音。怎樣使噪音下降？2015年一個哈佛教授的研究團隊在谷歌的基礎上，用谷歌的數據去做同樣的預測。他用了什麼呢？就是用了模型，實際上模型在很多時候降噪是很有用的，用模型去預測，而不完全是人工智慧的方式去預測。結果，他做出來的預測基本都比較准。
人工智慧相對比較成功的，是比較確定的問題，所謂的確定是不管有多少種可能性，還是一個確定的東西。而流感很多時候是完全不確定的因素。
教育其實很多時候也是不確定的。同樣一個人，現在讓他回答這個問題，他可能思路清楚地回答出來；過了一個小時後，即使是同樣類型的問題，按道理他應該回答出來，結果他回答不出來。這是說，實際上有很多因素在干擾的時候，人工智慧的功能是不是會減少一點。把模型跟人工智慧加在一起，會彌補人工智慧在某些方面的弱點，這樣會更好。
怎樣促進商界和學界的交流，更好地把學界已經有的一些成果，運用到市場上來？
胡祥恩：教育產業應該是一個最大的產業，教育產業事實上是一個知識產業鏈。到目前為止，很多人認為自己要做一整套系統而在美國汽車業，最賺錢的是供應商，是做輪胎、做玻璃的。一旦標准化之後，一個人如果螺絲釘生產得最好，他就能夠養活幾家人、幾代人。
到目前為止，美國推的就是教育標准化，教育內容的標准化、教育技術的標准化。比如說97年的時候，就說怎麼樣把內容標准化，你做的東西我可以用。我只是做整個教育知識產業鏈裡面一個小塊，做得很好。教育整個的產業鏈，有可能發揮特別特別技巧的那些小的公司，就能夠在這個產業鏈裡面生存、可以做得很好。第一個是要標准化，第二個要理解整個教育是一個產業鏈。

㈥ 中國人民大學舉辦數據科學與工程學術報告會

中國人民大學重點實驗室舉辦數據科學與工程學術報告會，此次報告會的目的是為了更好地了解工業界的實際需求以及平台的使用情況，加強同行之間的學術交流，促進中國人民大學計算機學科的發展，來自滴滴大數據與數據挖掘研究院的李佩博士、蘇州大學的李直旭副教授、劉冠峰副教授和劉安副教授四位青年學者受邀作報告。
中國人民大學信息學院下設經濟信息管理系、計算機科學與技術系、數學系，以及數據工程與知識工程研究所、管理科學與工程研究所，其中數據工程與知識工程研究所是教育部重點實驗室。
李佩博士結合過去自己在LinkedIN公司的工作經驗，給我們介紹了LinkedIN公司的大數據譽罩系統PYMK及其相關的生態系統。同時，也對當前流行的大數據處理平台Hadoop、Spark及各自的生態圈作了一個系統的介紹。此外，他還介紹了滴滴出行在大數據技術面臨的機遇與挑戰。最後，李佩博士結合自己在英屬哥倫比亞大學的讀博經歷，向在校生推薦了大數據與機器學習領域必讀的經典教材，並對他們未來的擇業提出了一些中肯的建議。
李直旭副教授報告的題目是「藉助Web大數據來處理數據質量問題」。李直旭副教授從六個維度( 錯誤數據、不一致性、丟失數據、過時數據、不適用、不確定性)介紹了數據質量問題普遍存在的一個基本事實，並簡要地綜述了圍繞每一個維度處理數據質量問題的相關工作。結合其近年來的相關工作，以關系數據為依託，李直旭副教授分別介紹了如何藉助Web中的大數據來進行記錄連接(record linkage)和記錄的補全工作。
劉冠峰副教授報告的題目是「社交網路與信任」。劉冠峰副教授首先介紹了社交網路及基於讓芹社交網路的各類應用，並著重指出社交網路中參與人之間的信任關系是整個社交網路各類應用的基礎。基於此前提，劉冠峰副教授對其發表在ICDE『2015(資料庫A類會議)上就如何快速有效地挖掘出符合參與人之間預設信任關系的方法進行了詳細的闡述。
劉安副教授系統地介紹了加密軌跡數據上的相似性計算問題。除了闡述了加密軌跡數據上的相似性計算面臨的挑戰，其還詳細地介紹了如何通過重寫三個操作符(歐氏距離計算、最大最小選擇、條件執行)，來實現加密軌跡數據上的相似性計算，並從理論上證明了該方法的安全性和可靠性。
以最近開源的大數據處理系統Greenplum為背景，Greenplum系統開發團隊的劉奎恩博士即興分享了其在大數據時代進行資料庫開源的背景與意義。
除了在校師生，中國人民大學舉辦的本次報告還吸引了來自工業界和學術界(包括CCF大數據協會、中科院、EMC/Pivotal公司、網路、先鋒創投等)的相關人士近50人前來參會，大家提問踴躍，本次報告得到圓滿的成功。
李佩博士：2010年碩士畢業於中國人民大學信息學院資料庫與智能信息檢索實驗室，2014年底博士畢業於英屬哥倫比亞大學計算機系數據管理與挖掘實驗室。2013年6月到8月以及2015年初到9月，工作於美國加州山景城LinkedIn公司SNA(搜索、網路與分析)部門，擔任關系推薦系統工程師，在大數據管理與挖掘第一線從事研發工作。2015年10月至今，在滴滴出行研究院負責數據挖掘項目。在知名國際期刊和學術慶滑鬧會議上(包括KDD、ICDE等A類國際會議)發表論文近20篇，是數據挖掘知名會議SDM』10的最佳論文獲得者。
李直旭副教授：2002-2009年就讀於中國人民大學信息學院攻讀計算機學士和相關證書。2013年畢業於澳大利亞昆士蘭大學獲計算機科學博士學位。2013-2014年就職於沙特阿卜杜拉國王科技大學(KAUST)做博士後研究員，並於2014年入職蘇州大學計算機科學與技術學院。目前主要從事數據質量，大數據應用，數據挖掘與信息抽取等領域的研究工作。曾參與國內外多項科研基金項目的研發工作。在IEEE TKDE, EDBT, CIKM, WWWJ等頂級國際期刊與知名國際會議上發表論文30餘篇。
劉冠峰副教授：2013年畢業於澳大利亞 Macquarie 大學，獲得計算機博士學位。 博士論文獲得當年澳大利亞最佳博士論文提名。2013年1月至2013年8月就職於Macquarie 大學 (Research Fellow) 和 悉尼科技大學 (Visiting Research Fellow)，並於2013年9月入職蘇州大學。目前主要從事可信計算、社交網路信息挖掘、圖資料庫等領域的研究工作。曾參與多項澳洲科研基金項目研究。在ICDE、AAAI、TSC、FGCS、WWWJ、ICWS，等重要國際期刊與知名國際會議上發表論文20餘篇。
劉安副教授：2009年獲得中國科學技術大學和香港城市大學聯合培養博士學位，2009年至2013年在香港城大-中國科大聯合高等研究中心擔任Senior Research Associate，2013年底加入蘇州大學。研究方向主要集中在數據管理與分析方面，包括時空資料庫，數據安全與隱私，雲計算與服務計算等。在國際期刊和學術會議上(包括IEEE Trans., CCF推薦的A/B類國際會議)發表論文50多篇。

考研政策不清晰？同等學力在職申碩有困惑？院校專業不好選？點擊底部官網，有專業老師為你答疑解惑，211/985名校研究生碩士/博士開放網申報名中：https://www.87dh.com/yjs2/

㈦ 電力大數據的電力大數據技術

電力大數據技術滿足電力數據飛速增長，滿足各專業工作需要，滿足提高電力工業發展需要，服務經濟發展需要。電力大數據技術包括：高性能計算、數據挖掘、統計分析、數據可視化等。 數據挖掘技術是通過分析大量數據，從大量數據中尋找其規律的技術，主要有數據准備、規律尋找和規律表示3個步驟。數據准備是從相關的數據源中選取所需的數據並整合成用於數據挖掘的數據集；規律尋找是用某種方法將數據集所含的規律找出來；規律表示是盡可能以用戶可理解的方式（如可視化）將找出的規律表示出來。
數據挖掘的任務有關聯分析、聚類分析、分類分析、異常分析、特異群組分析和演變分析等等。 統計分析，常指對收集到的有關數據資料進行整理歸類並進行解釋的過程。 統計分析可分為描述統計和推斷統計。
1、描述統計
描述統計是將研究中所得的數據加以整理、歸類、簡化或繪製成圖表，以此描述和歸納數據的特徵及變數之間的關系的一種最基本的統計方法。描述統計主要涉及數據的集中趨勢、離散程度和相關強度，最常用的指標有平均數、標准差、相關系數等。
2、推斷統計
推斷統計指用概率形式來決斷數據之間是否存在某種關系及用樣本統計值來推測總體特徵的一種重要的統計方法。推斷統計包括總體參數估計和假設檢驗，最常用的方法有Z檢驗、T檢驗、卡方檢驗等 2012年7月10日，信通公司成功舉辦大數據開啟智能電網新時代研討會。本次研討會作為公司大數據戰略推進重要一環，總結公司大數據戰略實施以來的重點工作，加深理解大數據對電力信息通信事業的意義，促進大數據生態環境建設，並展望公司及大數據未來發展方向。本次研討會特別邀請了中國寬頻資本基金董事長田溯寧博士、《證析》作者鄭毅先生、浙江海鹽供電局徐光年主任做專題演講。
研討會的成功舉辦，使大家進一步了解了大數據、信息通信技術在智能電網發展、未來科技發展的重要意義，同與會各位專家的交流也使大家開闊了視野、增長了知識。本次研討會也標志了電力大數據戰略將進入攻堅實戰階段，與會人員紛紛表示，要牢牢把握住電力信息通信引領智能電網飛速發展的寶貴機遇，以昂揚的鬥志面對新的挑戰！ 2012電力行業信息化年會於2012年11月3-4日在北京舉行。年會由中國電機工程學會電力信息化專業委員會、國網信息通信有限公司聯合主辦，南瑞集團國電通公司承辦。國家電監會信息中心、國家電網公司信息化工作部、中國南方電網公司信息中心、中國電力建設集團公司信息中心、中國能源建設集團有限公司科技信息部以及各發電集團公司、各省電網公司信息部門等為會議的支持單位。
本次年會主題為「大數據與寬頻中國」。「大數據」將給電力企業帶來新一輪商業模式轉變和價值創新，寬頻中國戰略更為電力信息化發展提速。來自國家電力監管委員會、國家電網公司、國網信息通信有限公司、輔業集團公司、發電集團公司、網省公司等單位的30多位專家和代表將圍繞主題在年會上發言或演講。

㈧ 我愛我家網的大事件

2015年12月18日，2015互聯網家裝研討會暨我愛我家網全國供應商大會在上海召開，我愛我家網與50多家供應商達成戰略合作，表示要共同打造最強供應鏈體系
2015年12月4-6日，2015中國家居業重塑產業鏈價值大會暨中國家居業領軍企業家年會在北京園博園順利舉行，因在重塑供應鏈價值方面的傑出貢獻，我愛我家網榮獲中國家居電商十強稱號。
2015年7月8日，第二屆中國家居電商與誠信建設大會暨中國互聯網家裝與泛家居論壇在廣州舉行，我愛我家榮膺中國家居電商十大誠信品牌。
2015年7月3日，2015中國家居景氣報告發布，我愛我家榮獲「十大家居電商品牌」。
2015年4月10日，我愛我家完成股份制改造，上海鴻洋電子商務股份有限公司正式掛牌成立。
2015年3月26日，我愛我家全國家裝平台（江蘇）正式啟動與運營，全面布局江蘇。
2015年3月7日，我愛我家主辦的「2015中國家居電子商務研討會」在上海成功舉行，眾多行業大咖齊聚峰會，為行業發展注入了新活力。
2015年3月7日，我愛我家新年首秀正式拉開帷幕，兩天實現有效簽到數7176，下單數5648，銷售額2406萬，再創歷史新高。
2014年11月28日，我愛我家與寶鷹股份、中建南方宣布共同建立工裝供應鏈平台，一個目標總量過千億的工程材料平台正呼之欲出
2014年11月18日，我愛我家全國家裝O2O啟動盛典暨裝修寶APP發布會在上海盛大舉行，全新家裝平台重磅登場，移動互聯網戰略重大升級。
2014年5月1日，我愛我家首個異地展廳——蘇州線下智能體驗中心開業，我愛我家開始全國范圍內的業務拓展。
2014年3月19日，上市企業報鷹股份1.08元入股我愛我家，我愛我家成功進行B論融資。
2013年11月27日，我愛我家召開供應商大會，業內首創「電商+店商+專業服務商」的新型O2O，引領行業發展新方向
2013年5月23日，舉辦第三屆「家居電子商務高峰論壇暨我愛我家網9周年慶」，圍繞「大數據」「O2O」「新媒體」等主題展開頭腦風暴，引發多方媒體的關注與報道。
2013年，國內首家超萬平米線下建材家居智能展廳在上海投入使用，我愛我家開啟行業新時代。
2012年，首輪VC資金成功進入，我愛我家開始發力。
2011年，我愛我家順利實現盈利，成為電商領域為數不多的贏利企業。
2011年，榮獲「上海名牌」企業稱號。
2010年，被互聯網權威評測機構—艾瑞網評為行業網站第一名。
2009年，榮獲上海市科委頒發的「上海市科技進步獎」。
2008年，被認定為上海市高新技術企業；同年被評為上海市電子商務應用領先示範企業。
2008年，開始加大商品經營種類，逐步轉型B2C，我愛我家開始進入高速發展期。
2005年，轉型B2B的網上銷售建材
2003年，我愛我家網在上海創立