学神的傲娇青梅，真的很可爱 第555章 晚上来我房间，我教你学习！
“你真的要听吗？”池远收起玩乐的心思，认真道，“这其实跟我们手头上的工作没啥关系。”
这部分是属于数据分析，组里不太可能让他们涉及这部分任务。
“听！只是现在没关系而已。”英子回答很自信。
不仅是对她自己的学习能力自信，更是对池远非人般的学习能力自信。
“好吧。”池远笑了笑，在英子无语的眼神下，从裤兜里掏出随身携带的笔。
只见他将纸张翻转了一面，在上面写道：
【1.高纬度和多模态数据：测试数据可能来自多个传感器，涉及多种参数，因此数据是高维度和多模态的。例如，包括温度、压力、速度等多种测量。】
【2.时序性：测试数据通常是时序数据，因为航天器的状态和性能参数会随着时间的推移而变化。】
【3.复杂的非线性关系……】
【4.缺失数据和异常值……】
【5.实时性要求……】
【6.数据标签的稀疏性……】
“这是你对测试数据特性的分析？”
池远点了点头：
“基于这些特征分析，我放弃了限制小规模数据量的梯度提升算法（xGboost、LightGbm）和要求维度较低的LS-SVm算法，决定用深度学习算法，准确来说是模型，不止一个算法。”
“它的要求并不苛刻，复杂的数据结构，也可以通过多层神经网络学习输入数据的表示后进行处理。特别是它能自动学习高级抽象特征，发现隐藏在数据背后的模式和规律，达到识别异常甚至预测的目的。”
说完，他又将自己的模型构思一一写下来：
【1.时间序列分析：使用专门针对时间序列数据的深度学习模型，如长短时记忆网络（LStm）或门控循环单元（GRU）等。】
【2.数据预处理：……】
【3.学习模型预训练：……】
【……】
【7.增强学习：在某些情况下，可以考虑使用增强学习来实时监测中遇到的决策问题。】
一整页都写满了。
没有在意小小稿纸承受的不该有字数，池远期待地等待着英子的回答：
“这模型怎么样？”
池远写得很简化，英子对深度学习有所了解也能看懂。
也正是因为能够看懂，她微微皱起了眉头，有些犹豫道：
“模型很完善……但是不是太复杂了？需要的计算资源是不是太多了？”
“是需要很大的计算资源，但这不是为了追求‘最优’，面面都要考虑到嘛。”但这的确是个困扰池远的问题，“你有没有什么建议？”
英子知道的不多，一时间也想不到好办法。
话题冷了下来，两个人一边吃饭一边发呆。
熟悉的眼神涣散，英子却突然想起了下午看得眼神涣散的测试数据。
“我想到了！那些数据！非线性关系！”
她突然出声，把池远吓了个一激灵，回过神忍不住提醒道，“是‘复杂的’非线性关系……”
“别强调‘复杂’了，要简化！既然是非线性的，将略微相关的数据进行分类处理，得到类属性，那时不时可以忽略类属性变量之间的依赖关系可以相对忽略？”
要是抛开对‘复杂’的执着，池远也懂了英子的意思，“你的意思是用朴素贝叶斯分类器？”
“还有tAN分类器。”英子眯眼道。
“这想法不错。”池远笑着敲了敲桌子，“还有吗？”
“我认为还能引入‘注意力机制’，让模型更加关注重要的特征，从而提高对关键信息的捕捉能力。”英子越说越自信。
果然，不同的思考方式注意到的重点都是不一样的。
英子两条意见都是冲着‘偷懒’……咳，是‘简化’的目的。
“但可靠性呢？”
深度学习算法有识别异常的工程，更重要的是它还能预测。
预测，就对可靠性有着更严苛的要求。
池远的问题很致命。
“再设计一个可靠性模型？”英子试探性地问？
这又何尝不是一种办法？
池远琢磨着除了将测试相关数据收入进去外，还可以将试车时长、试车次数、技术状态、试车各环境参数等多种因素塞进可靠性模型中，最好综合得到一个考核分值。
建模方法可以选生存分析（Survival Analysis）、可靠性块图（Reliability block diagram）、贝叶斯网络，最好比较得到效果最好那个。
但，这会不会太复杂了？
池远有些头疼，没办法，这是拥有‘抽象思维’也无法改变的思考习惯，‘做减法’对于他而言太难，删掉一个因素他都要纠结是不是就不可靠了。
他是做不到了……
“英子，”池远眨巴起了大眼睛，“要不……模型算法部分就交给你了。你比较一下，最终选择相对合适的。我可以负责将它实现。”
因为计算能力不行，英子养成了‘简化’的……好习惯，这任务交给她最合适不过。
“嗯哼~”英子很享受这种被需要的感觉，得意地微微仰下巴，“系统实现，不是十一所能做吗？”
“能做又不代表愿意去做，还得靠我们自己。”池远心头有数，十一所有自己的工作，不见得会认同他们的想法并付出时间，“所以，你看这算法。”
“我不会！”英子第一次觉得说这三个字能够这样理直气壮。
“没事，不会可以学，说好我教你学。”池远拍拍胸口保证下来，并提议道，“干脆你就别搬离我们的宿舍了。”
“不行，这得搬！”英子想了想，然后摆头拒绝。
池远暗道可惜，退而求次道：“那这样，你今晚来我房间吧。”
也幸好周围没人！
“就……只是学习……”英子微微红了俏脸。
“当然是学习啊！”
池远洒脱地点头，随即从另一个裤兜摸出一张写满字的白纸给英子——
可靠性工程和统计学:
《可靠性工程：概率模型与维护方法》、《可靠性工程与风险分析：实践指南》、《工程师与科学家的概率统计导论》……
数据挖掘和机器学习：
《数据挖掘：概念与技术》、《统计学习基础：数据挖掘、推断与预测》、《模式识别与机器学习》、《大规模数据挖掘》、《数据挖掘：实用机器学习工具与技术》……
深度学习：
《Scikit-Learn、Keras和tensorFlow实战机器学习》、《机器学习：概率透视》、《模式识别与机器学习》、《\"deep Learning\" by Ian Goodfellow, Yoshua bengio, and Aaron courville》、《强化学习导论》……
英子眨眼看着上面眼花缭乱的书单愣住了，绯红也慢慢消散。
她没看到池远低头写……这只能是他一开始就写好的。
还掏得那样果断……
所以，胡思乱想的就一直只有她？
池远还在自顾自地嘱咐道：
“这些书你先读着，晚上有问题随时来问我。特别要注重基础啊，有几本要多读几遍的，就这本……痛！”
他还没说完，就冷不丁地脚背挨了一脚，不由地有些委屈：
“你要是只想看一遍，也可以……我这不是让步了吗？怎么还踩？！”
“就是想！”
……
这部分是属于数据分析，组里不太可能让他们涉及这部分任务。
“听！只是现在没关系而已。”英子回答很自信。
不仅是对她自己的学习能力自信，更是对池远非人般的学习能力自信。
“好吧。”池远笑了笑，在英子无语的眼神下，从裤兜里掏出随身携带的笔。
只见他将纸张翻转了一面，在上面写道：
【1.高纬度和多模态数据：测试数据可能来自多个传感器，涉及多种参数，因此数据是高维度和多模态的。例如，包括温度、压力、速度等多种测量。】
【2.时序性：测试数据通常是时序数据，因为航天器的状态和性能参数会随着时间的推移而变化。】
【3.复杂的非线性关系……】
【4.缺失数据和异常值……】
【5.实时性要求……】
【6.数据标签的稀疏性……】
“这是你对测试数据特性的分析？”
池远点了点头：
“基于这些特征分析，我放弃了限制小规模数据量的梯度提升算法（xGboost、LightGbm）和要求维度较低的LS-SVm算法，决定用深度学习算法，准确来说是模型，不止一个算法。”
“它的要求并不苛刻，复杂的数据结构，也可以通过多层神经网络学习输入数据的表示后进行处理。特别是它能自动学习高级抽象特征，发现隐藏在数据背后的模式和规律，达到识别异常甚至预测的目的。”
说完，他又将自己的模型构思一一写下来：
【1.时间序列分析：使用专门针对时间序列数据的深度学习模型，如长短时记忆网络（LStm）或门控循环单元（GRU）等。】
【2.数据预处理：……】
【3.学习模型预训练：……】
【……】
【7.增强学习：在某些情况下，可以考虑使用增强学习来实时监测中遇到的决策问题。】
一整页都写满了。
没有在意小小稿纸承受的不该有字数，池远期待地等待着英子的回答：
“这模型怎么样？”
池远写得很简化，英子对深度学习有所了解也能看懂。
也正是因为能够看懂，她微微皱起了眉头，有些犹豫道：
“模型很完善……但是不是太复杂了？需要的计算资源是不是太多了？”
“是需要很大的计算资源，但这不是为了追求‘最优’，面面都要考虑到嘛。”但这的确是个困扰池远的问题，“你有没有什么建议？”
英子知道的不多，一时间也想不到好办法。
话题冷了下来，两个人一边吃饭一边发呆。
熟悉的眼神涣散，英子却突然想起了下午看得眼神涣散的测试数据。
“我想到了！那些数据！非线性关系！”
她突然出声，把池远吓了个一激灵，回过神忍不住提醒道，“是‘复杂的’非线性关系……”
“别强调‘复杂’了，要简化！既然是非线性的，将略微相关的数据进行分类处理，得到类属性，那时不时可以忽略类属性变量之间的依赖关系可以相对忽略？”
要是抛开对‘复杂’的执着，池远也懂了英子的意思，“你的意思是用朴素贝叶斯分类器？”
“还有tAN分类器。”英子眯眼道。
“这想法不错。”池远笑着敲了敲桌子，“还有吗？”
“我认为还能引入‘注意力机制’，让模型更加关注重要的特征，从而提高对关键信息的捕捉能力。”英子越说越自信。
果然，不同的思考方式注意到的重点都是不一样的。
英子两条意见都是冲着‘偷懒’……咳，是‘简化’的目的。
“但可靠性呢？”
深度学习算法有识别异常的工程，更重要的是它还能预测。
预测，就对可靠性有着更严苛的要求。
池远的问题很致命。
“再设计一个可靠性模型？”英子试探性地问？
这又何尝不是一种办法？
池远琢磨着除了将测试相关数据收入进去外，还可以将试车时长、试车次数、技术状态、试车各环境参数等多种因素塞进可靠性模型中，最好综合得到一个考核分值。
建模方法可以选生存分析（Survival Analysis）、可靠性块图（Reliability block diagram）、贝叶斯网络，最好比较得到效果最好那个。
但，这会不会太复杂了？
池远有些头疼，没办法，这是拥有‘抽象思维’也无法改变的思考习惯，‘做减法’对于他而言太难，删掉一个因素他都要纠结是不是就不可靠了。
他是做不到了……
“英子，”池远眨巴起了大眼睛，“要不……模型算法部分就交给你了。你比较一下，最终选择相对合适的。我可以负责将它实现。”
因为计算能力不行，英子养成了‘简化’的……好习惯，这任务交给她最合适不过。
“嗯哼~”英子很享受这种被需要的感觉，得意地微微仰下巴，“系统实现，不是十一所能做吗？”
“能做又不代表愿意去做，还得靠我们自己。”池远心头有数，十一所有自己的工作，不见得会认同他们的想法并付出时间，“所以，你看这算法。”
“我不会！”英子第一次觉得说这三个字能够这样理直气壮。
“没事，不会可以学，说好我教你学。”池远拍拍胸口保证下来，并提议道，“干脆你就别搬离我们的宿舍了。”
“不行，这得搬！”英子想了想，然后摆头拒绝。
池远暗道可惜，退而求次道：“那这样，你今晚来我房间吧。”
也幸好周围没人！
“就……只是学习……”英子微微红了俏脸。
“当然是学习啊！”
池远洒脱地点头，随即从另一个裤兜摸出一张写满字的白纸给英子——
可靠性工程和统计学:
《可靠性工程：概率模型与维护方法》、《可靠性工程与风险分析：实践指南》、《工程师与科学家的概率统计导论》……
数据挖掘和机器学习：
《数据挖掘：概念与技术》、《统计学习基础：数据挖掘、推断与预测》、《模式识别与机器学习》、《大规模数据挖掘》、《数据挖掘：实用机器学习工具与技术》……
深度学习：
《Scikit-Learn、Keras和tensorFlow实战机器学习》、《机器学习：概率透视》、《模式识别与机器学习》、《\"deep Learning\" by Ian Goodfellow, Yoshua bengio, and Aaron courville》、《强化学习导论》……
英子眨眼看着上面眼花缭乱的书单愣住了，绯红也慢慢消散。
她没看到池远低头写……这只能是他一开始就写好的。
还掏得那样果断……
所以，胡思乱想的就一直只有她？
池远还在自顾自地嘱咐道：
“这些书你先读着，晚上有问题随时来问我。特别要注重基础啊，有几本要多读几遍的，就这本……痛！”
他还没说完，就冷不丁地脚背挨了一脚，不由地有些委屈：
“你要是只想看一遍，也可以……我这不是让步了吗？怎么还踩？！”
“就是想！”
……