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：

1. 体量（Volume）：数据的数量庞大，通常达到TB、PB甚至更大。
2. 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。
3. 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：

1. 数据收集：通过调查、实验、观察等手段收集数据。
2. 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。
3. 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。
4. 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